本文深入解读了HTM时间沉积池的实现，通过分析Python代码`temporal_memory.py`，并以Complete-algo-example.py为例，探讨了HTM算法在处理序列数据时的工作流程。内容涉及HTM的基本原理、关键变量及其作用，如列数、细胞数、激活阈值等，并详细阐述了细胞激活、树突激活和预测细胞的计算过程。
(HTM)层次时序记忆-时间沉积池实现解读
如果你对HTM感兴趣，我建立了一个群，我们共同学习交流。515743445。
阅读本文前建议先阅读HTM白皮书(需要了解sp和tm的工作步骤)，以及论文Continuous online sequence learning with an unsupervised neural network model
本文研究src/nupic/algorithms/temporal_memory.py的代码实现
我们以Complete-algo-example.py为实例对其进行研究。该范例的参数存放在model.yaml中。该范例的数据来自gymdata.csv。这是一个关于不同时间consumption数据的文件。其日期部分使用DateEncoder转换为SDR，其consumption部分使用RandomDistributedScalarEncoder转换为SDR。合并后输入sp。由sp计算激活列后，将激活列作为参数输入tm.compute()计算当前输入的激活细胞。由getPredictiveCells()可以获得其预测。
Tm在代码组织上具有和sp相同的结构。主要方法包括__init__()，compute()和getPredictiveCells()
其关键变量包括：
- columnDimensions=(2048,) 列数
- cellsPerColumn=32 每个列的细胞数
- activationThreshold=16 一个突触区域
最低0.47元/天 解锁文章
612
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
