注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 长短时记忆神经网络（LSTM-2）型介绍及公式推导

  2. 长短时记忆网络(Long Short Term Memory Network, LSTM)，它有效地解决了原始循环神经网络(RNN)的缺陷，在语音识别、图片描述、自然语言处理等许多领域中成功应用。（LSTM-2）型引入了Ct，Ct-1记忆对神经网络的影响，这个算法的预测效果要更好。

  3. 所属分类：深度学习

    • 发布日期：2018-07-08
    • 文件大小：199680
    • 提供者：qq_38562705

  1. LSTM实现新闻分类.zip

  2. 在本次实例的过程中，采取的数据集为50000条已经标注好的新闻文本信息，其中新闻的种类分别为：体育、娱乐、家居、房产、教育、时尚、时政、游戏、科技和财经，保存在cnew.txt文件中。 把文件读取出来，把文本信息和标签信息分别存储在sentences和labelbanes中，由于标签信息为中文，在模型训练的过程中，不能传入非结构化的数据，所以进行向量化，定义label2id将标签和序号相对应，并且把labelnames中的文字信息转化为数字存储在labels。具体的操作如图2所示。

  3. 所属分类：Python

    • 发布日期：2020-04-10
    • 文件大小：223232
    • 提供者：wws_2017

  1. LSTM-时间序列预测.zip

  2. # 代码功能: LS-TM 循环神经网络，预测时间序列---------------------------- # 第1步: 处理原始数据集, 归一化，制作X_train、Y_train、X_test、Y_test # 第2步: 训练LS-TM网络, epoch=300 # 第3步: 时间序列预测

  3. 所属分类：深度学习

    • 发布日期：2020-04-04
    • 文件大小：76800
    • 提供者：Twilight737

  1. 基于多元特征融合和LSTM神经网络的中文评论情感分析.caj

  2. 本文的主要研究工作如下： （1）针对文本情感分析中对文本表示时遇到的维度过高和语义不相关 的问题，本文采用 word embedding 机制，通过神经网络语言模型对大量评 论文本进行训练，并在此基础上通过 distributed representation 的方式表示文 本，从而将文本映射为一个低维实数向量。这种文本表示方法同时也可以 表达文本的语义信息，有助于神经网络模型对文本更好地理解。 （2）针对情感分析任务的特殊性，本文提出了一种新的文本表示方法- ——多元特征词向量。这种表示方

  3. 所属分类：深度学习

    • 发布日期：2020-09-08
    • 文件大小：1048576
    • 提供者：fengliren

  1. （不是完整项目，适用于学习）LSTM + VGG16 图像描述的自动生成

  2. 简洁：1.数据集采用flickr8k（图像，对应的文本描述），使用keras创建VGG16定义的CNN网络。利用VGG16（去掉最后一层）提取图像特征，将flickr8k的图像文件转为图像特征，保存为pickle文件。 2.写不下了，自己看吧，代码有注释 涉及技术：Pycharm + Keras + Python 3.6 + numpy + opencv3.3.1等 该项目是对Jason Brownlee的文章《How to Automatically Generate Textual Desc

  3. 所属分类：互联网

    • 发布日期：2020-09-23
    • 文件大小：11264
    • 提供者：m0_38086070

  1. keras 解决加载lstm+crf模型出错的问题

  2. 错误展示 new_model = load_model(“model.h5”) 报错： 1、keras load_model valueError: Unknown Layer :CRF 2、keras load_model valueError: Unknown loss function:crf_loss 错误修改 1、load_model修改源码：custom_objects = None 改为 def load_model(filepath, custom_objects, c

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：39936
    • 提供者：weixin_38706824

  1. Python中利用LSTM模型进行时间序列预测分析的实现

  2. 时间序列模型 时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。 举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等 RNN 和 LSTM 模型 时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural n

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：304128
    • 提供者：weixin_38519660

  1. 《动手学深度学习》pytorch版笔记2

  2. 《动手学深度学习》pytorch版笔记2 Task3 过拟合、欠拟合及其解决方案 这部分内容比较简单，写下问题吧，再挖几个坑 1.模型复杂度如何改变，三阶到一阶等 2.L2范数正则化为什么是权重衰减的一种方式？ 梯度消失，梯度爆炸 1.初始化过程 2.标签偏移的概念 3.数据处理过程 循环神经网络进阶 GRU，LSTM中的门结构实现起来还挺复杂的，有空再自己实现一遍吧。另外深度循环神经网络貌似叫多层循环神经网络，印象中一般不会堆叠很多层，有空再研究一下吧 Task4 机器翻译及相关技术 机器翻

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：114688
    • 提供者：weixin_38686677

  1. 基于APMSSGA-LSTM的容器云资源预测

  2. 基于APMSSGA-LSTM的容器云资源预测 谢晓兰1,2, 张征征1, 郑强清1, 陈超泉1 1 桂林理工大学信息科学与工程学院，广西 桂林 541004 2 广西嵌入式技术与智能系统重点实验室，广西 桂林 541004 摘要：容器云的发展与应用对资源的高并发、高可用、高弹性、高灵活性等的需求越来越强烈。在对容器云资源预测问题研究现状进行调查后，提出一种采用自适应概率的多选择策略遗传算法（APMSSGA）优化长短期记忆网络（LSTM）的容器云资源预测模型。实验结果表明，与简单遗传算法（SGA）

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：536576
    • 提供者：weixin_38534683

  1. basic-cnn-lstm-image-captioning:用于图像字幕的基准模型-源码

  2. 图像字幕生成器（基线模型） Windows用户-使用cmd代替bash。 Windows虚拟机不支持在Tensorflow上进行GPU训练 数据集 Flickr8K数据集 Flickr8k_Dataset.zip（） 包含8092个JPEG图像 1技嘉 Flickr8k_text.zip（） 包含许多文件，这些文件包含照片的不同描述（标题）来源。 2.2兆字节 该数据集具有预定义的训练数据集（6,000张图像），开发数据集（1,000张图像）和测试数据集（1,000张图像）。 运行说明

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：12288
    • 提供者：weixin_42102634

  1. Covid19-Cases-Prediction-LSTM:Pytorch实施可使用LSTM网络通过对先前COVID 19确诊病例的分析来预测未来价值-源码

  2. Covid19未来确认案例预测通过LSTM 在该项目中，可以预测使用LSTM在以后的确诊病例中增加的数量。 从每天更新的网站考虑了从2020年1月到2020年7月的Covid19确诊病例的数据集。 使用LSTM可以预测全球未来确诊的共生病例增加的近似量度。 1.加载数据集 在上面提供的链接中，尤其是所有国家/地区的'time_series_covid19_confirmed_global.csv'csv文件，特别是从2020年1月22日到现在的每日更新。 从网站下载最新数据后，加载此数据集。

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：166912
    • 提供者：weixin_42160425

  1. Twitter-Sentiment-Analysis-Using-LSTM:160万条推文的情感分析-源码

  2. Twitter情绪分析使用LSTM 在此笔记本中，我实现了具有嵌入功能的Stacked LSTM，以分析160万条推文，分为三类：1.正面2.负面3.中立，制作了模型来预测新推文的类别，准确度为78％。 表现 精确 记起 F1分数 支持 0 0.78 0.75 0.76 79800 1个 0.76 0.79 0.77 80200 准确性 0.77 160000 宏平均 0.77 0.77 0.77 160000 加权平均 0.77 0.77 0.77 160

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：579584
    • 提供者：weixin_42138408

  1. Deep_Learning_Copy_Memory_Task:使用自我实现的LSTM，RNN和MLP层在递归神经网络中实现复制记忆任务-源码

  2. 复制内存任务 :memo: 关于该项目 :open_book: 该项目是建设2个项目。 LSRMcell，RNNcell和线性层的自我实现。 自我执行复制内存任务。 该项目是在使用PyTorch进行深度学习的微型项目过程中的大学任务。 LSTM.py -LSTM单元的自我实现RNN.py -rnn单元的自我实现MLP.py-线性的自我实现copy_task_base.py-具有3种不同模型的复制任务的自我实现 设置 :gear: 确保您的计算机上安装了python 3.6或更高版本。 克

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：8192
    • 提供者：weixin_42128393

  1. Vision-Systems-Lab:MLP，DCNN，深度卷积自动编码器，LSTM，GRU，ResNets，DCGAN-波恩大学的CudaVision实验室（SS19）-源码

  2. 视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：14680064
    • 提供者：weixin_42116921

  1. CoupletAI:基于CNN + Bi-LSTM + Attention的自动对对联系统-源码

  2. 对联AI 用PyTorch实现的自动对对联系统，支持多种模型。一般而言，给定一句话生成另一句话是序列生成问题，本项目根据上下联字数不同的特点将其转化为序列标注问题，即用下联去标注上联。 依存关系 python 3.6+ pytorch 1.2+ 烧瓶（可选） 数据集 数据集包含70多万条对联数据（26MB），下载请，或者（提取码：wude）。 用法 将下载到的数据集解压到当前目录（解压后的文件夹名称为couplet ） 运行preprocess.py进行数据预 运行main.py [-m m

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：33792
    • 提供者：weixin_42139460

  1. Data-Science:使用LSTM和CNN进行深度学习-源码

  2. 数据科学 使用LSTM和CNN进行深度学习1.LSTM 2.卷积层3.池化层4.完全连接的层5.归一化层

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：11264
    • 提供者：weixin_42099116

  1. FinTechProject2:金融科技计划2-源码

  2. 队员 角色 阿耶莎·史瑞希塔（Ayesha Shreshta） 自述文件和演示文稿甲板准备者，研究员 伊万·蒙特（Ivan Monte） 自述文件和演示文稿甲板准备者，研究员 穆罕默德·贾沃德·利亚斯（Mohammad Jawwad Llyas） LSTM编码团队负责人和分析主持人，演示者 穆罕默德·阿尔·马蒙（Muhammad Al Mamun） 财务解释与分析主管 奥瓦伊斯·汗（Ovais Khan） 线性回归编码和分析线索 ASX指数：30天LSTM预测 介绍： （也称为LST

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：784384
    • 提供者：weixin_42131439

  1. 具有CNN和RNN的活动识别：活动识别的时间段LSTM和时间起始-源码

  2. RNN和Temporal-ConvNet进行活动识别 ，（等额缴纳） 论文代码： （在杂志上接受，2019年） 项目： 抽象的 在这项工作中，我们使用ResNet-101演示了一个强大的基线两流ConvNet。 我们使用此基线来彻底检查RNN和Temporal-ConvNets的使用，以提取时空信息。 基于我们的实验结果，然后我们提出并研究了两个不同的网络，以进一步整合时空信息：1）时域RNN和2）初始样式的Temporal-ConvNet。 我们的分析确定了每种方法的特定局限性，这些局

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：82837504
    • 提供者：weixin_42129412

  1. 使用LSTM-DNN进行股票预测：使用修改后的LSTM模型进行股票价格预测-源码

  2. LSTM-DNN进行库存预测 修正LSTM模型的股价预测 它能做什么？ 它可以给出一只股票收盘价的预测值。 它不能预测离现在太远，而它所能做的就是预测明天的价格。 我们需要做的是提供一只股票过去的数据。 评估 我用MAPE（平均绝对百分比误差）评估模型。 通过该模型训练的某些股票的最佳性能可使MAPE达到2％-3％，这意味着精度（1-MAPE）可以达到97％-98％。 训练自己的数据 U首先从互联网上下载股票的csv数据，然后在代码中修改csv路线（在最后一栏中输入收盘价）。 学习性能良好的

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：2097152
    • 提供者：weixin_42099087

  1. Data_mining_HW5-假新闻检测2-源码

  2. Data_mining_HW5-假新闻检测2 同HW4针对假新闻作分析，预测一则新闻是否可靠 资料集共有两个： 1：假0：真分别利用RNN与LSTM对“ train.csv”的资料建模，对“ test.csv”测试计算准确度 使用Keras或Tensorflow来完成 注：“ test.csv”的标签在“ sample_submission.csv”里面 作业流程： 资料前处理： 一种。读取资料，利用分割符号切割字串，建立train＆test之DataFrame b。去除停顿词 C。文字转

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：9437184
    • 提供者：weixin_42125770
« 12 3 4 5 6 7 8 9 10 »