论文讲解：https://blog.csdn.net/qq_33302004/article/details/114437385

英语语音识别项目试验，仅供学习

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

分享一份孪生网络数据集，供初学者使用 内含已经切分好的训练集、验证集和测试集 格式为： q1,q2,tag

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

用于药物命名实体识别的LSTM-CRF

tensorflow 实现卷积LSTM，参见文章Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting

用BiLSTM预测单特征时序数据和多特征时序数据，并提供样例数据。可以将自己的数据根据样例数据的格式进行修改，则可直接运行

LSTM-Neural-Network-for-Time-Series-Prediction-master.rar

TrafficFlowPrediction-master.rar