[Pytorch系列-52]：循环神经网络RNN - 全连接网络与RNN网络在时间序列数据集上拟合的比较

最新推荐文章于 2023-09-23 18:14:51 发布
最新推荐文章于 2023-09-23 18:14:51 发布
阅读量1.5w 收藏 11
点赞数 2
分类专栏： 人工智能-PyTorch 文章标签： 循环神经网络 递推神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HiWangWenBing/article/details/121526014
版权

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121526014

目录

第1章 概述

1.1 业务需求概述

1.2 业务分析

1.3 导入库

第1章 数据集

1.1 数据集概述

1.2 从文件中读取数据

1.3 提取有效数据

第2章 全连接网络的拟合

2.1 定义全连接网络

2.2 定义loss与优化器

2.3 训练前准备

2.4 开始训练

2.5 loss显示 

2.6 结果分析

第3章 RNN网络的拟合

3.1 定义RNN网络

3.2 生成网络

3.3 定义loss与优化器

3.4 训练前的准备

3.5 开始训练

​

3.6 显示loss

3.7 分析

第1章 概述

1.1 业务需求概述

有一批最近52周的销售数据，希望能够根据这些数据，预测未来几周销售数据。

1.2 业务分析

这是一个线性拟合的问题，那么每周的数据之间是独立的？还是每周的数据之间有时间的相关性？

本文就采用层数的全连接网络和RNN网络对数据进行拟合与比较。

如果全连接网络的拟合度比RNN网络好，则证明每周的数据是独立无关的。

如果全连接网络的拟合度没有RNN网络好，则证明每周的数据是具有时间相关性。

1.3 导入库

%matplotlib inline
import torch
import torch.nn as nn
from torch.nn import functional as F
from torch.autograd import Variable
from torch import optim

import numpy as np
import math, random
import matplotlib.pyplot as plt
import pandas as pd

from torch.utils.data import Dataset
from torch.utils.data import DataLoader

第1章 数据集

1.1 数据集概述

销售数据是通过Excel存放的：包含多个样本数据，每个样本包含52周的数据，如下图所示：

横轴：不同的样本

纵轴：每个样本包含的序列52周的销售数据。

1.2 从文件中读取数据

# 从excel文件中数据
sales_data = pd.read_csv('time_serise_sale.csv')

sales_data.head()

1.3 提取有效数据

# 提取有效数据
source_data = sales_data
source_data.values.shape
source_data.values
array([[0.00000000e+00, 2.29157429e+00, 2.88283833e+00, ...,
        2.52078778e+00, 2.63721001e+00, 2.74892268e+00],
       [1.00000000e+00, 6.09664112e-01, 2.52360427e+00, ...,
        1.66285479e+00, 2.48192522e+00, 2.41120153e+00],
       [2.00000000e+00, 3.42279275e+00, 1.81265116e+00, ...,
        1.72005177e+00, 2.16993942e+00, 2.16170153e+00],
       ...,
       [1.50490000e+04, 3.83370716e+00, 3.54807088e+00, ...,
        3.03134190e+00, 1.85208859e+00, 3.00563077e+00],
       [1.50500000e+04, 3.18643937e+00, 1.70323164e+00, ...,
        1.19605309e+00, 3.34099104e+00, 2.92155740e+00],
       [1.50510000e+04, 3.10427003e+00, 2.82717086e+00, ...,
        1.33781619e+00, 2.71468770e+00, 2.34349413e+00]])
# 显示数据集数据
source_data
Unnamed: 0week_1week_2week_3week_4week_5week_6week_7week_8week_9...week_43week_44week_45week_46week_47week_48week_49week_50week_51week_52
002.2915742.8828383.5818054.0138751.1099242.8342472.6250452.1968844.208887...1.2422502.7710723.7781433.1616343.7926452.0154812.8261842.5207882.6372102.748923
110.6096642.5236042.6095373.6959973.3992722.6166121.6519351.3482953.862523...2.4775052.2845133.4617833.1010523.4424201.9157762.4261681.6628552.4819252.411202
223.4227931.812651-0.0979661.7240643.0936601.7812782.8499462.9497073.560835...2.2196672.3598341.9320292.7319471.8362451.2199331.2227401.7200522.1699392.161702
333.3722832.5772543.8543083.4496792.5176762.6356792.3527062.8562161.948434...1.6709120.9091133.2166521.7753463.2704842.3997093.0320711.7036661.7505851.821736
442.9977271.7994153.6480902.3915672.3767781.8647170.4080622.3467263.260303...2.3040583.0389052.0387332.8251862.2329372.5090502.881796-1.7121312.1403661.926818
..................................................................
15047150471.9527261.5476371.9027890.8132612.6009792.9106382.8783960.5942163.526187...0.4860733.3362523.3072703.0268351.4721163.2207922.6640441.5461533.0269482.611774
15048150480.6528243.5891913.2577072.8212762.1859372.534801-0.7743753.8356953.776809...2.6841531.3849123.1845702.8329412.0920332.6061980.7531933.1605993.0858002.814394
15049150493.8337073.5480713.1941601.9934373.0135471.8250472.3051960.5224753.126647...2.9289371.6337543.0785982.4665630.4893803.5187253.4064663.0313421.8520893.005631
15050150503.1864391.7032323.1965912.407803-0.4743703.8799433.7624083.4156691.790529...1.6426122.3877702.1498930.6884633.1508053.2422092.9727281.1960533.3409912.921557
15051150513.1042702.8271711.1764283.2749672.9346552.3491882.4129351.2190542.843297...2.5512590.8192033.4165323.2420212.8101772.0374872.6816941.3378162.7146882.343494

15052 rows × 53 columns

第2章 全连接网络的拟合

2.1 定义全连接网络

class FullyConnected(nn.Module):
    def __init__(self, x_size, hidden_size, output_size):
        super(FullyConnected, self).__init__()
        self.hidden_size = hidden_size

        self.linear_with_tanh = nn.Sequential(
            nn.Linear(10, self.hidden_size),
            nn.Tanh(),
            nn.Linear(self.hidden_size, self.hidden_size),
            nn.Tanh(),
            nn.Linear(self.hidden_size, output_size)
        )
        
    def forward(self, x):
        yhat = self.linear_with_tanh(x)
        
        return yhat
# 输入样本的size
x_size = 1

# 隐藏层的size：try to change this parameters 
hidden_size = 2 

#数据特征的size
output_size = 10

fc_model = FullyConnected(x_size = x_size, hidden_size = hidden_size, output_size = output_size)
print(fc_model)

fc_model = fc_model.double()
print(fc_model)
FullyConnected(
  (linear_with_tanh): Sequential(
    (0): Linear(in_features=10, out_features=2, bias=True)
    (1): Tanh()
    (2): Linear(in_features=2, out_features=2, bias=True)
    (3): Tanh()
    (4): Linear(in_features=2, out_features=10, bias=True)
  )
)


fc_model.state_dict()['linear_with_tanh.0.weight']
tensor([[ 0.2028,  0.0721,  0.0101,  0.2866, -0.3106,  0.1612,  0.0082, -0.1394,
          0.2630, -0.2903],
        [ 0.0596, -0.2646,  0.2036, -0.2676, -0.0198,  0.2969,  0.2596,  0.0965,
          0.0746, -0.0195]], dtype=torch.float64)

2.2 定义loss与优化器

#定义loss函数
criterion = nn.MSELoss()

# 使用 Adam 优化器 比课上使用的 SGD 优化器更加稳定 
optimizer = optim.AdamW(fc_model.parameters(), lr=0.01)

2.3 训练前准备

n_epochs = 30
n_layers = 1
batch_size = seq_length
seq_length = 10

fc_losses = np.zeros(n_epochs) 


data_loader = torch.utils.data.DataLoader(source_data.values, batch_size = batch_size, shuffle=True)
print(data_loader)
print(data_loader.batch_size )

2.4 开始训练

# 开始训练
for epoch in range(n_epochs):
    # 定义用于每个epoch的平均loss
    epoch_losses = []
    
    # 读取batch数据
    for iter_, data in enumerate(data_loader):
        #当读到数据不足batch size时，跳过batch size
        if data.shape[0] != batch_size: 
            continue 
        
        #随机的获取长度=seq_length的数据
        random_index = random.randint(0, data.shape[-1] - seq_length - 1)
        train_x = data[:, random_index: random_index+seq_length]
        #train_y = data[:, random_index + 1: random_index + seq_length + 1]
        train_y = train_x
        
        #进行前向运算
        outputs = fc_model(train_x.double())
        
        #复位梯度
        optimizer.zero_grad()
        
        #求此次前向运算的loss
        loss = criterion(outputs, train_y)
        
        #反向求导
        loss.backward()
        
        #梯度迭代
        optimizer.step()

        #
        epoch_losses.append(loss.detach())
        
        if iter_  == 0:
            plt.clf();
            plt.ion()
            plt.title("Epoch {}, iter {}".format(epoch, iter_))
            plt.plot(torch.flatten(train_y),'c-',linewidth=1,label='Label')
            #plt.plot(torch.flatten(train_x),'g-',linewidth=1,label='Input')
            plt.plot(torch.flatten(outputs.detach()),'r-',linewidth=1,label='Output')
            plt.draw();
            plt.pause(0.05);
    fc_losses[epoch] = np.mean(epoch_losses)

 ................................................................

2.5 loss显示 

plt.plot(fc_losses)

2.6 结果分析

全连接网络应对这种时序序列问题，拟合性不是很好。

第3章 RNN网络的拟合

3.1 定义RNN网络

class SimpleRNN(nn.Module):
    def __init__(self, x_size, hidden_size, n_layers, batch_size, output_size):
        super(SimpleRNN, self).__init__()
        self.hidden_size = hidden_size
        self.n_layers = n_layers
        self.batch_size = batch_size
        #self.inp = nn.Linear(1, hidden_size) 
        self.rnn = nn.RNN(x_size, hidden_size, n_layers, batch_first=True)
        self.out = nn.Linear(hidden_size, output_size) # 10 in and 10 out

    def forward(self, inputs, hidden=None):
        hidden = self.__init__hidden()
        #print("Forward hidden {}".format(hidden.shape))
        #print("Forward inps {}".format(inputs.shape))
        output, hidden = self.rnn(inputs.float(), hidden.float())
        #print("Out1 {}".format(output.shape))
        output = self.out(output.float());
        #print("Forward outputs {}".format(output.shape))

        return output, hidden

    def __init__hidden(self):
        hidden = torch.zeros(self.n_layers, self.batch_size, self.hidden_size, dtype=torch.float64)
        return hidden

3.2 生成网络

x_size = 1
hidden_size = 2 # try to change this parameters 
n_layers = 1
seq_length = 10
output_size = 1

#rnn_model = SimpleRNN(x_size, hidden_size, n_layers, seq_length, output_size)
rnn_model = SimpleRNN(x_size, hidden_size, n_layers, seq_length, output_size)

print(rnn_model)
SimpleRNN(
  (rnn): RNN(1, 2, batch_first=True)
  (out): Linear(in_features=2, out_features=1, bias=True)
)

3.3 定义loss与优化器

# 定义loss
criterion = nn.MSELoss()

#定义优化器
optimizer = optim.AdamW(rnn_model.parameters(), lr=0.01) # 使用 Adam 优化器 比课上使用的 SGD 优化器更加稳定

3.4 训练前的准备

# 训练前的准备
n_epochs = 30
rnn_losses = np.zeros(n_epochs) 

data_loader = torch.utils.data.DataLoader(source_data.values, batch_size=seq_length, shuffle=True)

3.5 开始训练

# 开始训练
for epoch in range(n_epochs):
    for iter_, t in enumerate(data_loader):
        if t.shape[0] != seq_length: continue 

        random_index = random.randint(0, t.shape[-1] - seq_length - 1)
        train_x = t[:, random_index: random_index+seq_length]
        #train_y = t[:, random_index + 1: random_index + seq_length + 1]
        train_y = train_x
        
        #获取输出
        outputs, hidden = rnn_model(train_x.double().unsqueeze(2), hidden_size)
        
        #梯度复位
        optimizer.zero_grad()
        
        #定义损失函数
        loss = criterion(outputs.double(), train_y.double().unsqueeze(2))
        
        # 反向求导
        loss.backward()
        
        #梯度迭代
        optimizer.step()
        
        #记录loss
        epoch_losses.append(loss.detach())
        
        #显示拟合图像
        if iter_ == 0:
            plt.clf();
            plt.ion()
            plt.title("Epoch {}, iter {}".format(epoch, iter_))
            plt.plot(torch.flatten(train_y),'c-',linewidth=1,label='Label')
            plt.plot(torch.flatten(train_x),'g-',linewidth=1,label='Input')
            plt.plot(torch.flatten(outputs.detach()),'r-',linewidth=1,label='Output')
            plt.draw();
            plt.pause(0.05);
    rnn_losses[epoch] = np.mean(epoch_losses)

 

3.6 显示loss

3.7 分析

RNN网络在第一个epoch完成后，拟合度就非常好。

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121526014

文火冰糖的硅基工坊
关注
  • 2
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
pytorch-cnn-visualizations:卷积神经网络可视化技术的Pytorch实现
04-05
卷积神经网络可视化 该存储库包含许多在PyTorch中实现的卷积神经网络可视化技术。 注意：我删除了cv2依赖性并将存储库移至PIL。 有些事情可能会坏掉（尽管我测试了所有方法），如果在某些情况下无法解决问题，可以提出问题，我将不胜感激。 注意：此存储库中的代码已使用0.4.1的割炬进行了测试，某些功能可能无法在更高版本中使用。 尽管应该花很多时间才能使它工作，但是由于我仍在使用0.4.1，因此我目前没有计划使该存储库中的代码与最新版本兼容。 实施技术 [1] [4] [3]（[2]的推广） [3] [15]（[2]的无梯度泛化） [8] [9] [5] [10] [4] [14] [12] [13] 我提出以下对抗性例如生成技术从敌对的东西分开的可视化。 - Fast Gradient Sign, Untargeted [11] - Fast Gradien
循环神经网络（RNN、RNN变体、RNN训练方法：BPTT）
qq_22169787的博客
08-28 5073
参考和摘录以下博客，对作者的贡献表示感谢，欢迎参考以下文章！ https://blog.csdn.net/qq_39422642/article/details/78676567 https://zhuanlan.zhihu.com/p/28054589 https://blog.csdn.net/qq_16234613/article/details/79476763 http://www....
R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列
大数据部落
09-28 1868
原文链接：http://tecdat.cn/?p=23902 递归神经网络被用来分析序列数据。它在隐藏单元之间建立递归连接，并在学习序列后预测输出。 在本教程中，我们将简要地学习如何用R中的Keras RNN模型来拟合和预测多输出的序列数据，你也可以对时间序列数据应用同样的方法。我们将使用Keras R接口在R中实现神经网络： 准备数据 定义模型 预测和可视化结果 我们将从加载R的必要包开始。 library(keras) 准备数据 首先，我们将为本教程创建一个多输出数据......
Pytorch实现LSTM时间序列预测
热门推荐
sinat_22510827的博客
05-10 3万+
原创 CodeInHand ...
过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶
ZzH7HN的博客
02-17 549
一，过拟合、欠拟合及其解决方案 过拟合：模型的训练误差远小于它在测试数据集上的误差 欠拟合：模型无法得到较低的训练误差 因素：模型复杂度和训练数据集大小 训练集数据太少，会引起过拟合，模型越越简单，会引起欠拟合。折中办法是在保证能够训练的情况下，模型尽量复杂，数据量也随之增多 机器学习中遇到的方法： 正则化：在loss函数中加入，w^2项来强行训练减少loss，在训练的时候限制权值变大...
笔记：动手学深度学习pytorch（ModernRNN，过拟合欠拟合及其解决方案，梯度消失、梯度爆炸）
qq_44138402的博客
02-12 1257
- ModernRNN - RNN： RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。 RNN存在一些问题梯度较容易出现衰减或爆炸（BPTT） - 梯度爆炸，梯度消失 首先举一个例子： 如果有一个层输为LLL的多层感知机的第lll层H(l)\boldsymbol{H}^{(l)}H(l)的参数为W(l)\boldsymbol{W}^{(l)}W(l)，...
机器学习初学-RNN+CNN处理时序问题
最新发布
qq_36001281的博客
09-23 681
仔细观察上面输出的这几行数据，在大多数恒星拥有行星的概率值小于0.1的情况下，其中一些行所显示的约0.2的概率值显著大于其他结果，这个“相对较大”的概率值可能就为我们指向一个有行星的星球。输出显示张量形状为（5 087，3 197，1），符合时序数据结构的规则：5 087个样本，3 197个时戳，1维的特征（光线的强度）。- 参数较少：相比于 LSTM（Long Short-Term Memory）层，GRU 层的参数较少，计算效率也较高，因此在一些轻量级模型和资源受限的场景下更具优势。
时间序列学习（4）——【正弦函数预测，RNN，代码+详解】非常清楚，强烈推荐
#仙女不扎马尾#的博客
05-04 3070
文章目录1 问题描述2 数据处理部分2.1 np.random.randint()2.2 np.linspace()2.3 最终的数据情况3 模型介绍3.1 模型代码3.2 介绍 __init__ 函数3.3 介绍forward函数4 模型训练部分4.1 同数据处理部分4.2 喂数据给模型、计算loss、梯度更新，反向传播5 模型预测部分5.1 同数据处理部分6 画图7 完整代码，可以直接运行 1 问题描述 给定50个正弦函数的数据对（x, y）， 划分0~48（前49个）是训练数据集， （1~50）是预测
CNN、RNN用于时间序列预测的代码接口和数据格式详解(pytorch)
m0_37412775的博客
12-28 4061
网上对时序问题的代码详解很少，这里自己整理对CNN和RNN用于时序问题的代码部分记录，便于深入理解代码每步的操作。 一、1D-CNN 1. Conv1d的接口 class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) in_channels (int)：输入通道数，在时间序列背景下即为输入序列的元数，或称为特征数。 out_channe
【深度学习】RNN模型处理简单时间序列
哈哈
08-11 1593
将数据每12个分为一组，将前11个数据导入RNN模型，来预测第12个数据。目前，模型仅能大致拟合出数据变化趋势，精度略低。
RNN-LSTM 卷积神经网络 Matlab 实现，简单的数据拟合.zip
05-10
RNN-LSTM 卷积神经网络 Matlab 实现，简单的数据拟合。 RNN-LSTM 卷积神经网络 Matlab 实现。 RNN-LSTM卷积神经网络Matlab实现 RNN卷积神经网络，LSTM，使用matlab实现，简单的数据拟合 RNN Matlab
深度学习与PyTorch入门实战教程-循环神经网络RNN&LSTM.rar
04-07
深度学习与PyTorch入门实战教程-循环神经网络RNN&LSTM
pytorch实现手写数字识别 - MNIST数据集（全连接神经网络）.html
05-23
关于神经网络处理过程 softmax函数 关于MNIST数据集的处理举例 代码流程 关于transforms.ToTensor 关于transforms.Normalize 9.代码中transform的对应关系 关于x.view 设计模型 batch size设置技巧 谈谈batchsize...
RNN-Time-series-Anomaly-Detection:在Pytorch中实现的基于RNN的时间序列异常检测器模型
04-12
RNN时间序列异常检测在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。要求Ubuntu 16.04+（在Windows 10上报告了...
使用PyTorch在CIFAR-10数据集上训练了一个VGG-16神经网络模型
06-13
压缩包里面包含两个文件，一个是训练用的Python文件，这个文件可以使你基于CIFAR-10数据集上训练一个VGG-16或VGG-19神经网络模型；另一个文件是已经训练好的VGG-16模型文件。
基于PyTorch与PyTorch-Lightning进行人工神经网络模型与CNN模型的构建.zip
07-09
在 MNIST 手写字符识别数据集（http://yann.lecun.com/exdb/mnist/）上对实现的两个模型进行实验测试，陈述其原理与结果。 Windows 10 Conda 4.10.3 Python 3.9 PyTorch 1.9.1 PyTorch-Lightning 1.4.9 CUDA ...
[Pytorch系列-30]：神经网络基础 - torch.nn库五大基本功能：nn.Parameter、nn.Linear、nn.functioinal、nn.Module、nn.Sequentia
文火冰糖（王文兵）的博客
10-05 3万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 前言 深度学习模型框架 [人工智能-深度学习-8]：神经网络基础 - 机器学习、深度学习模型、模型训练_文火冰糖（王文兵）的博客-CSDN博客_神经网络与深度学习第1章 白话机器学习[人工智能-综述-4]：白话深度学习-- 无基础小白都能理解机器学习的核心概念_文火冰糖（王文兵）的博客-CSDN博客[人工智能-深度学习-7]：神经网络基础 - 人工神经网络ANN_文火冰糖（王文兵）的博客-CSD
[人工智能-深度学习-39]：环境搭建 - 训练主机硬件选择全指南（CPU/GPU/内存/硬盘/电源）
文火冰糖（王文兵）的博客
11-08 2万+
第1章 选择台式机还是笔记本 （1）笔记本适用场合（没有太多的要求） 理论学习 浅层网络训练 深层网络运算 （2）台式机（有一定的性能） 深度网络训练 （AlexNet之后的网络，就需要GPU训练了） 通过增加GPU卡，升级并行计算性能 通过升级RAM，升级主机的内存 通过升级CPU, 提升CPU的性能 神经硬盘，扩充数据集和模型的数量 第2章 台式机选择CPU？ 1.1 CPU概述 CPU的全称是Central Processing Unit，而GPU的全称是Graphic...
[PyTroch系列-12]：PyTorch基础 - 张量线性运算（点乘、叉乘）
文火冰糖（王文兵）的博客
08-06 2万+
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing 本文网址： 第1章 Tensor运算概述 1.1 概述 PyTorch提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。 这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。 https://www.runoob.com/numpy/numpy-linear-algebra..
搭建循环神经网络执行探测任务 循环神经网络类型：不限（RNN、LSTM、GRU等） 预测任务：不限（天气、股价、房价、语言等） 数据集：根据任务自行准备
07-09
对于搭建循环神经网络执行探测任务，你可以按照以下步骤进行： 1. 数据准备：根据你的预测任务，收集并准备相关的数据集。确保数据集包含输入序列和对应的目标值。例如，如果你的任务是预测天气，数据集可以包含历史天气数据和对应的未来天气情况。 2. 数据预处理：对数据进行预处理，包括数据清洗、特征提取、归一化等。确保数据格式适用于循环神经网络的输入。 3. 构建循环神经网络模型：选择适合的循环神经网络类型，如RNN、LSTM、GRU等，并使用深度学习框架（如TensorFlow、PyTorch）搭建模型。根据任务的复杂程度和数据集规模，可以选择单层或多层的循环神经网络结构。 4. 模型训练：将准备好的数据集划分为训练集和测试集，使用训练集对模型进行训练。在训练过程中，通过反向传播算法优化模型参数，使其能够更好地拟合数据。 5. 模型评估和调优：使用测试集评估模型的性能，可以使用一些指标如均方误差（Mean Square Error）或准确率来评估模型的预测效果。如果模型表现不佳，可以尝试调整超参数、增加数据量或改进模型结构等方式进行调优。 6. 模型应用：经过训练和调优后，你的循环神经网络模型可以用于预测任务。输入新的序列数据，通过模型的前向传播过程得到预测结果。 以上是一个基本的框架，具体的实施步骤和细节可能因任务的不同而有所差异。希望对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

文火冰糖的硅基工坊

你的鼓励是我前进的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值