字符张量流 使用Tensorflow在Python中使用字符级语言模型的多层递归神经网络（LSTM，RNN）。 灵感来自安德烈·卡帕蒂（Andrej Karpathy）的。 要求 基本用法 要在tinyshakespeare语料库上使用默认参数进行训练，请运行python train.py 。 要访问所有参数，请使用python train.py --help 。 要从检查点模型中采样python sample.py 。 在学习仍在进行时进行采样（以检查最后一个检查点）仅在CPU或其他GPU中有效。 要强制CPU模式，请使用export CUDA_VISIBLE_DEVICES=""并随后unset CUDA_VISIBLE_DEVICES （在Windows上分别set CUDA_VISIBLE_DEVICES=""并set CUDA_VISIBLE_DEVICES= ）。 要在

储备池计算是一种适合处理时序信号的简单高效的机器学习算法。相比在传统电子计算机上用软件实现的方式, 储备池计算在光器件上的实现方式将更有利于超高速和超低功耗的信息处理。介绍了储备池计算的基本原理, 从输入层、储备池和输出层三个方面介绍了储备池计算硬件实现方案的研究进展, 指出了储备池计算硬件实现方案发展中存在的问题, 并展望了其未来发展趋势。

MGUR在GRU的基础上进一步简化，只用一个门限控制前序信息的流动，其结构更简单，效果也不错。

递归神经网络RNN与LSTM简介与算法推导。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

基于递归神经网络的广告点击率预估，涉及随机森林、python、LSTM等。