MATLAB语言实现的LSTM长短期记忆神经网络模型

概述 自我时空ConvLSTM用于时空预测 SaConvSTLM在此描述的 在MovingMNIST 上MovingMNIST测试 项目结构 load_data.py 包含用于下载数据集，对数据集进行预处理和保存预测图片到文件夹的实用函数 ConvSTLM_main.py 使用· tensorflow.keras.layers.ConvLSTM2D的网络模型及其训练测试 SaConvSTLM.py 基于tensorflow实现了单元SaConvLSTM2DCell和层SaConvLSTM2D ，层SaConvLSTM2D可以直接作为模型中的一个层 SaConvSTLM_main.py 使用自定义的SaConvLSTM层SaConvLSTM的网络模型及其在MovingMNIST上的训练测试 模型结构 SaConvLSTM结构 描述 整体格局 自我注意记忆模块

转换STM 使用Keras进行卷积LSTM进行视频分割。 数据应作为一组视频（mp4格式）在单独的文件夹中提供，并在文件名中带有后缀_label的相应分段掩码（扩展名之前）。 训练模型运行脚本 lstm_train_fcn.py 它将加载数据，将分辨率压缩4倍-输入的形状应分别为（W，D，C）（96,108,1）。 在这里，我只考虑1个通道，即黑白图像。 对于彩色图像，请更改形状。 在NVIDIA TitanX中，每1000帧视频序列的培训应该花费1个小时 使用卷积LSTM（中间）和仅卷积（顶部）进行超声视频序列和相应图像分割的示例

来自Self-Attention ConvLSTM for Spatiotemporal Prediction文章的Self-Attention Module的实现。使用python3语言，tensorflow2.0框架编写。

ConvLSTM-Moving-mnist Using convlstm to prediction moving mnist dataset. run main.py for train 1、network structure 使用其中一个序列，迭代训练，收敛。 前10帧--第11帧，...，第10-19帧预测第20帧。 输入mnist序列 三层conv 一层BasicConvLstmCel 三层conv flatten （1，10，64，64，1） （1，10，64，64，16）（1，1，64，64，1024） （1，1，64，64，1） 2、result 3、loss curve

convLSTM_movingMNIST 使用convLSTM单元从移动的MNIST数据集中预测帧。 有两种模型： 单步模型 编码器结构。 接收19个移动的MNIST帧和attemts的序列以输出第20帧 多步模型 编码器-解码器结构。 接收10到19个移动MNIST帧（每个批次随机选择的序列长度）的序列，并尝试输出其余帧。 在训练过程中，使用单步模型的权重初始化编码器（当从头开始训练时，模型不会收敛）。 指示 需要Tensorflow v1.4或更高版本（如果要训练多步模型，则可能需要GPU） 克隆存储库 git clone https://github.com/Linusnie/convLSTM_movingMNIST.git cd convLSTM_movingMNIST 下载移动的mnist数据集： wget http://www.cs.toronto.edu/~niti

matlab代码和界面连接忆阻器 用于手稿的5级CNN和3级ConvLSTM的MATLAB框架 Wang，Z。等。 带忆阻器的前馈和循环卷积网络的原位训练。 会费 作者（按字母顺序排列）：Daniel Belkin，李灿，聂永阳，宋文浩，王忠瑞 顾问：J. Joshua Yang教授（电子邮件：umass dot edu的jjyang，网站：）； 夏强飞教授（电子邮件：umass dot edu的qxia，网站：）； 系统要求 这些代码已经在Mathworks Matlab R2017b上进行了测试。 演示 在“脚本”文件夹中运行脚本。 没有提供与硬件接口的代码。 操作说明 real_array2_conv后端取决于测量系统和硬件。 实验数据将在合理要求下提供。 执照 麻省大学阿默斯特分校电气和计算机工程系版权所有（c）2018.保留所有权利。 执照 MIT许可证（MIT） 特此免费授予获得此软件和相关文档文件（“软件”）副本的任何人无限制地处理软件的权利，包括但不限于使用，复制，修改，合并的权利，发布，分发，再许可和/或出售本软件的副本，并允许具备软件的人员这样做，但须满足以下条件：

本文简要地介绍了RNN以及其变体LSTM，着重介绍了施行健博士提出的ConvLSTM结构，以及其在预测降水方面的应用。

DeepSTCL：用于旅行需求预测的深时空ConvLSTM

基于convLSTM的短临预报模型，付费下载后提供长期技术支持，确保模型稳定运行