基于自选算法的特征选择算法，损失函数和验证方法

楼主自己整理的，网上关于CTC的资料参差不齐，一些比较好的资料都是英文版的，因此在这里祭上全网最好的CTC中文版学习资料，图文并茂，容易理解，欢迎下载。

使用堆叠LSTM的股价预测和预测-深度学习

时间神经网络 Time-LSTM的Pytorch实现，如“下一步：通过Time-LSTM为用户行为建模”所示，Time-GRU的实现，如“系统跟踪重构的新递归网络方法”中所示。 时间门的添加也可以推广到其他递归神经网络。 在性能方面，所有具有时间定性（时间RNN）的RNN都比具有时间定性的RNN（标准RNN）获得更好的结果。 以下是时间LSTM 1，时间LSTM 2，时间GRU，GRU和LSTM在预测在汽车上运行的Blackberry QNX系统的输出轨迹时的训练精度与时期的示例。

基于时空LSTM的OD客运需求预测

LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。 LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。本文档是基于LSTM原理的简单实现，有助于理解其原理。

手势动作识别 微调预训练的CNN模型（AlexNet，VGG，ResNet），然后微调LSTM。 该网络应用于手势控制无人机。 训练： 下载直升机编组数据集： : usp 将数据集放在/data文件夹下 运行培训代码并指定数据文件夹的路径 python basic_lstm.py ../data 测试： 使用具有指定型号的网络摄像头运行在线测试代码： cd testing python lstm_test.py ../weights/model_best_865.pth.tar 依存关系： pyTorch-0.3.xx Opencv的3.3.1 PIL-5.0.0 Numpy-1.13.1

基于LSTM的航班乘客预测_航班数据集_buildingpw5_LSTM_预测数据集_lstm预测_源码.zip

matlab有些代码不运行word2vec_matlab Google在Matlab中预先训练的word2vec模型 通过该项目，您可以在Matlab中使用Google在庞大的Google新闻数据集上训练的word2vec模型。 重要说明：请注意，该项目当前确实提供了训练word2vec模型的任何功能。 它只是为您提供经过预先训练的Google模型，并演示了您可以使用此模型完成的一些基本技巧，例如识别相似的单词，识别哪个单词不属于一组单词或完成类推。 如果您有兴趣在自己的文本语料库上训练word2vec模型，建议您查看Python中的gensim包。 原始模型可以在此处公开获得。该模型包含300万个单词的词汇表； 但是，大多数都是垃圾。 我已经过滤掉了大约200,000个单词。 word2vec子目录包含一些用于模型播放的Matlab函数。 编写它们的目的是提供对这些技术的清晰说明。 您可以查看并运行runExample.m以查看这些单词向量的示例用法。 词汇过滤 我通过查找WordNet中的所有单词来过滤原始词汇-我仅保留WordNet中存在的单词。 这样可以将词汇量减少到大约200

word2vec訓練集text8.zip 使用word2vec的两种方法来构建word embedding，同时将embedding降维显示在图像上 一种是skip-gram ``` w2v_skip_gram.py ``` 一种是CBOW ``` w2v_cbow.py ``` 两种方法都使用负采样的方法计算loss # 输入 经过分词的汉语文章 # 输出 每个分词 + 128 维的词向量 词向量降维,可视化图片 # 其他 数据处理的时候用到采样方法来进行高频噪声去除 原理见https://zhuanlan.zhihu.com/p/27296712