为了提高卷积神经网络在目标检测的精度，本文提出了一种基于改进损失函数的YOLOv3网络.该网络模型应用一种新的损失函数Tan-Squared Error （TSE），将原有的平方和损失（Sum Squared Error，SSE）函数进行转化，能更好地计算连续变量的损失；TSE能有效减低Sigmoid函数梯度消失的影响，使模型收敛更加快速.在VOC数据集上的实验结果表明，与原网络模型的表现相比，利用TSE有效提高了检测精度，且收敛更加快速.

带火炬的递归神经网络 有几种模型，例如RNN，LSTM，GRU和双向LSTM / GRU。 我的一个项目与使用LSTM，GRU等从每日天气温度预测数据获得的时间序列数据有关。 数据集下载链接 减少上传文件的容量。 这是所需数据集的下载链接：

SMILES枚举，向量化和批处理生成 SMILES枚举是写出所有可能的SMILES形式的分子的过程。 这是在基于序列的分子建模之前进行数据增强的有用技术。 您可以在此或了解有关背景的更多信息 笔记 提供了更多更新的软件包。 导入SmilesEnumerator并实例化对象 from SmilesEnumerator import SmilesEnumerator sme = SmilesEnumerator () print help ( SmilesEnumerator ) Help on class SmilesEnumerator in module SmilesEnumerator: class SmilesEnumerator(__builtin__.object) | SMILES Enumerator, vectorizer and devectorizer |

在Anaconda Jupyter Noteboo下实现的基于长短期记忆网络（LSTM）的手写体数字识别（ipynb文件格式）

这篇文章内容的代码及数据集https://blog.csdn.net/laojie4124/article/details/102915141

电力负荷预测 正在短期电力负荷预测的研究生项目中。 数据取自网站的并且在项目过程中实施了多个时间序列算法。 实施的模型： models文件夹包含在项目过程中实现的所有算法/模型： 前馈神经网络 简单移动平均线 加权移动平均 简单指数平滑 霍尔茨·温特斯 自回归综合移动平均 递归神经网络 长短期记忆单元 门控循环单位细胞 脚本： aws_arima.py ARIMA模型适合上一个月的数据，并预测每天的负载。 aws_rnn.py RNN，LSTM，GRU符合最近2个月的数据，并预测每天的负载。 aws_smoothing.py SES，SMA，WMA适合上一个月的数据，并预测每天的负载。 aws.py调度程序，每天00:30 IST运行上述三个脚本。 pdq_search.py用于根据最近一个月的数据对ARIMA模型的超参数进行网格搜索。 load_scra

使用LSTM深度学习方法

cnn源码matlab去噪-SeizurePrediction:一种CNN+LSTM架构，可根据EEG数据预测癫痫发作

LSTM工具箱 最快的Matlab RNN库之一。 性能 模型：一个LSTM模型具有[1024,1024,1024]隐藏尺寸和10个时间步长，并具有256个暗淡输入。 设备：i7-4710hq，GTX940m LSTMtoolbox：60sec / epoch Keras（1.2.2，Tensorflow backend，cudnn5.1）：29sec / epoch 产品特点 高并行执行。 将4个门的权重与W对应，并将批次中每个时间步的x和h值与3D张量xh对应。一次计算每个样本中每个样本的每个时间步的x * W。 一次计算输入，忘记，输出门的激活值。 OOP风格 使用struct类型

亲测好用，挺不错的资源，大家快来下载吧！挺有用的！需要的话可以来下载哦！tensorflow下用LSTM网络进行时间序列预测，实时多变量预测以及对于未来数据的单变量预测。