注重多元时间序列的LSTM自动编码器 该存储库包含用于多变量时间序列预测的自动编码器。 它具有描述的两种注意力机制，并且受启发。 下载和依赖项 要克隆存储库，请运行： git clone https://github.com/JulesBelveze/time-series-autoencoder.git 要安装所有必需的依赖项，请运行： pip install -r requirements.txt 用法 python main.py [-h] [--batch-size BATCH_SIZE] [--output-size OUTPUT_SIZE] [--label-col LABEL_COL] [--input-att INPUT_ATT] [--temporal-att TEMPORAL_ATT] [--seq-le

LSTM小白入门,lstm实战,matlab源码.zip

NLP之相似语句识别--特征工程篇:bow+tfidf+svd+fuzzywuzzy+word2vec-附件资源

使用手势识别的CNNLSTM 使用GRIT数据集，构建了将2D CNN与LSTM相结合的模型，以从webCam视频提要中执行实时手势识别。 也使用LSTM建立了使用3D CNN的另一个模型。 目标 构建能够实时检测视频中手势的计算机视觉深度学习模型。 模型应能够在低端设备上运行。 （没有GPU） 模型应该可以快速训练（30分钟内进行训练） 在每个手势动作中使用有限的样本来提取可用的准确性。 预先处理 由于我们的动机是运动识别，因此我们首先必须检测帧序列之间的运动。 我使用时差法。 时间差异涉及两个或三个连续帧之间的差异，然后凝结连续帧之间的差异以提取运动对象的运动。 它非常容易且快速地进行计算，并且在动态环境中具有更好的性能。 使用等式计算差分图像： Δ = (

Word2vec-PyTorch 这是基于PyTorch的word2vec的实现。 运行它 python word2vec.py zhihu.txt word_embedding.txt word2vec_pytorch

深度学习网络代码 是最基础的应用softmax来进行手写数字0-9识别的代码

BI-LSTM-CRF模型的PyTorch实现。 特征： 与相比，执行了以下改进： 全面支持小批量计算 完全矢量化的实现。 特别是，删除了“得分句”算法中的所有循环，从而极大地提高了训练效果 支持CUDA 用于非常简单的API START / STOP标签会自动添加到CRF中 包含一个内部线性层，该线性层可从要素空间转换为标签空间 专门用于NLP序列标记任务 轻松训练自己的序列标记模型 麻省理工学院执照 安装 依存关系 的Python 3 安装$ pip install bi-lstm-crf 训练 语料库 以指定的准备语料库 也有一个示例语料库 训练 $ python -m bi_lstm_crf corpus_dir --model_dir " model_xxx " 更多 训练曲线 import pandas as pd import matplotlib . pyplot

使用循环神经网络(RNN)实现影评情感分类 作为对循环神经网络的实践，我用循环神经网络做了个影评情感的分类，即判断影评的感情色彩是正面的，还是负面的。 选择使用RNN来做情感分类，主要是因为影评是一段文字，是序列的，而RNN对序列的支持比较好，能够“记忆”前文。虽然可以提取特征词向量，然后交给传统机器学习模型或全连接神经网络去做，也能取得很好的效果，但只从端对端的角度来看的话，RNN无疑是最合适的。 以下介绍实现过程。 一、数据预处理 本文中使用的训练数据集为https://www.cs.cornell.edu/people/pabo/movie-review-data/上的sentence

Mish-Cuda：自正则化非单调激活函数 这是 Diganta Misra ( ) Mish 激活的 PyTorch CUDA 实现。 安装 它目前作为仅源代码的 PyTorch 扩展分发。 因此，您需要正确设置工具链和 CUDA 编译器才能安装。 工具链- 在cxx_linux-64包提供了适当的工具链。 但是，这取决于系统，仍然可能存在兼容性问题。 您也可以尝试使用系统工具。 CUDA 工具包- 除了驱动程序之外，还需要来提供所需的头文件和工具。 从 nVidia 获取适合您的 Linux 发行版的版本，或者检查发行版的特定说明。 重要的是您的 CUDA 工具包与 PyTorch 构建的版本相匹配，否则可能会发生错误。 目前 PyTorch 为 v10.0 和 v9.2 构建。 表现 CUDA 实现似乎反映了原始实现的学习性能，并且没有观察到稳定性问题。 在函数的速度方面，它

代码运行效果图见压缩包