RNN简单实战
文章平均质量分 94
lihuhelihu
这个作者很懒,什么都没留下…
展开
-
第R3周:天气预测
任务说明:该数据集提供了来自澳大利亚许多地点的大约 10 年的每日天气观测数据。需要做的是根据这些数据对RainTomorrow进行一个预测,这次任务任务与以往的不同,增加了探索式数据分析(EDA),希望这部分内容可以帮助到大家。位置影响下雨,对于 Portland 来说,有 36% 的时间在下雨,而对于 Woomers 来说,只有6%的时间在下雨。低压与高湿度会增加第二天下雨的概率,尤其是下午 3 点的空气湿度。结论:当一天的最高气温和最低气温接近时,第二天下雨的概率会增加。二、探索式数据分析(EDA)原创 2024-08-08 18:54:17 · 1053 阅读 · 0 评论 -
第R2周:Pytorch实现:LSTM-火灾温度预测
●LSTM 的输入张量的形状通常是 (seq_len, batch_size, input_size),但如果设置了 batch_first=True,则形状为 (batch_size, seq_len, input_size)。●batch_first(可选参数): 如果为 True,则输入和输出张量的形状为 (batch_size, seq_len, feature_size),默认为 False。默认为 False。●hidden_size: 隐藏状态的维度,也是输出特征的维度。原创 2024-08-07 22:47:20 · 1275 阅读 · 0 评论 -
第R2周:Tensorflow2实现:LSTM-火灾温度预测
任务说明:数据集中提供了火灾温度(Tem1)、一氧化碳浓度(CO 1)、烟雾浓度(Soot 1)随着时间变化数据,我们需要根据这些数据对未来某一时刻的火灾温度做出预测。为了更好的理解LSTM输入数据的结构,将时序数据(LSTM输入数据)以可视化的形式呈现。取前8个时间段的Tem1、CO 1、Soot 1为X,第9个时间段的Tem1为y。多输入单输出(多输出时间步)与多输入多输出(多输出时间步)同理,这里就不赘述了。1.使用第1 ~ 8个时刻的数据预测第9 ~ 10个时刻的温度数据。原创 2024-08-07 18:44:44 · 755 阅读 · 0 评论 -
第R2周:LSTM-火灾温度预测:一文搞懂LSTM(长短期记忆网络)
LSTM在许多问题上效果非常好,现在被广泛使用。长期依赖问题: 在传统的RNN中,当序列非常长时,网络往往会遇到梯度消失或梯度爆炸的问题,导致难以捕捉到序列中长距离的依赖关系。因此,LSTM通过引入门控结构和细胞状态,有效地解决了传统RNN在处理长序列数据时遇到的梯度消失、长期依赖等问题,使得其在语言建模、时间序列预测、机器翻译等任务中取得了显著的进展。●问题描述:RNN在处理长序列时,由于信息的传递是通过隐藏状态进行的,随着时间的推移,较早时间步的信息可能会在传递到后面的时间步时逐渐消失或被覆盖。原创 2024-08-07 17:54:54 · 792 阅读 · 0 评论 -
第R1周:RNN-心脏病预测
学习了什么是RNN,怎么处理数据,如何构建简单的RNN模型。这个过程我们可以看到,输入 “time” 的时候,前面“what” 的输出也会对02的输出产生了影响(隐藏层中有一半是黑色的)。以此类推,我们可以看到,前面所有的输入产生的结果都对后续的输出产生了影响(可以看到圆形中包含了前面所有的颜色)RNN 跟传统神经网络最大的区别在于每次都会将前一次的输出结果,带到下一次的隐藏层中,一起训练。然后,按照顺序将五个基本单元输入RNN网络,先将 “what”作为RNN的输入,得到输出 01。原创 2024-08-05 23:43:35 · 823 阅读 · 0 评论