PyTorch中的贝叶斯LSTM实现
灵感来自:Uber的时间序列的深度和自信预测(2007)
由于贝叶斯神经网络提供了可量化的不确定性和置信区间,因此与等效的频频方法不同,贝叶斯神经网络引起了人们的极大兴趣。
该存储库演示了PyTorch中的一种实现,并通过一个预测建筑能耗的真实示例总结了贝叶斯LSTM(长期短期记忆)网络的一些关键功能。 本示例中使用的Appliances能量预测数据集来自UCI机器学习存储库( )
随附的笔记本直接从Google Colab共享。 结果,交互式可视化尚未转移到GitHub。
请单击“在Colab中打开”按钮或单击此处,以在Google Colab中查看笔记本: : //colab.research.google.com/drive/1pwMzsdRPwTO8oRVU0LwY9hs_z-ye67su
1