详细的LSTM代码， 附带数据。
RNN全称循环神经网络（Recurrent Neural Networks），是用来处理序列数据的。在传统的神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多关于时间序列的问题却无能无力。
2021-03-09 10:09:05
13KB
1
Tensorflow 2 DA-RNN
的Tensorflow 2（Keras）实现，
论文： :
安装
pip install da-rnn
用法
from da_rnn import (
DARNN
)
model = DARNN ( 10 , 64 , 64 )
y_hat = model ( inputs )
Python Docstring符号
在此项目的方法的文档字符串中，我们具有以下表示法约定：
variable_{subscript}__{superscript}
例如：
y_T__i表示 ，在时间T第i个预测值。
alpha_t__k表示 ，注意权重在时间t测量第k个输入特征（驾驶序列）的重要性。
DARNN（T，m，p，y_dim = 1）
以下（超级）参数的命名与本文一致，但本文未提及的y_dim除外。
T int窗口的长度（时间步长）
m in
2021-03-07 21:03:26
50KB
1
论文讲解：https://blog.csdn.net/qq_33302004/article/details/114441024
2021-03-06 16:09:03
2.13MB
1
论文讲解：https://blog.csdn.net/qq_33302004/article/details/114437385
2021-03-06 16:09:01
341KB
1
接上文，本文介绍了CNN-LSTM模型实现单、多变量多时间步预测的家庭用电量预测任务。
文章目录1. CNN-LSTM1.1 CNN 模型1.2 完整代码
1. CNN-LSTM
1.1 CNN 模型
卷积神经网络（CNN）可用作编码器-解码器结构中的编码器。 CNN不直接支持序列输入；相反，一维CNN能够读取序列输入并自动学习显着特征。然后可以由LSTM解码器解释这些内容。CNN和LSTM的混合模型称为CNN-LSTM模型，在编码器-解码器结构中一起使用。CNN希望输入的数据具有与LSTM模型相同的3D结构，尽管将多个特征作为不同的通道读取，但效果相同。
为简化示例，重点放在具有单变量输
2021-03-04 17:56:37
44KB
1
NER-LSTM-CRF
一个易于使用的命名实体识别（NER）工具包，在张量流中实现了LSTM + [CNN] + CRF模型。
该项目短期内不再维护，PyTorch版本： :
1.型号
Bi-LSTM / Bi-GRU + [CNN] + CRF，其中CNN层针对英文，捕获字符特征，通过参数use_char_feature控制self.nil_vars.add（self.feature_weight_dict [feature_name] .name）。
2.用法
2.1数据准备
训练数据处理成下列形式，特征之间用制表符（或空格）替换，每行共n列，1至n-1列为特征，最后一列为labe
2021-03-02 20:17:26
389KB
1