从零开始深度学习0510——RNN+LSTM基本知识+LSTM做回归任务实例

最新推荐文章于 2025-10-22 10:11:56 发布
原创 最新推荐文章于 2025-10-22 10:11:56 发布 · 1.3k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。

0510

 

RNN的东西不会去忘记，直接一串子全部保留下来

 

Lstm 长短时记忆  

可以控制

这个参数也是需要去训练 逐渐优化 得到的

门单元

ft 遗忘门   it 保留门

输入经过了一个遗忘门，经过了一个保留门

选择性的遗忘和保留  是随时更新ct的状态的 从开始更新到结束

 

Classification and Location 分类与回归

分类就是 输入图像 输出类别

回归就是 输入图像 输出这个图像的(x,y,w,h) 就是定位，找到坐标和长宽高

将回归的任务  加在哪里

 

L2 distance 欧式距离

L2 regularliaztion  L2正则化惩罚项   

L2 loss  均方误差 常用来做回归任务  MSE

 

用活动窗口的做法  去进行回归任务

 

其他深度神经网络  在达到一定的层数后，层数越深，不一定效果越好

但是ResNet 是层数越深，效果越好

 

 

 

 

 

 

 

 

 

 

 

 

最低0.47元/天 解锁文章
从零实现深度学习框架——RNN从理论到实战【实战】
日积月累，天道酬勤
06-27 1038
本文来看如何实现RNN，包括堆叠RNN和双向RNN。从而理解它们的原理。最后看一个应用到词性标注任务的实战。
PyTorch深度学习实战（41）——循环神经网络与长短期记忆网络
盼小辉丶的博客
04-28 8863
循环神经网络 (Recurrent Neural Network, RNN) 通过将前一个时间步的隐藏状态作为当前时间步的输入，实现对序列数据的建模，由于循环连接的存在，RNN 能够捕获时间依赖关系，然而，RNN 在处理长期依赖性问题时会遇到困难。为了解决这个问题，提出了 LSTM，通过引入门控机制改进 RNN 来有效地处理长期依赖关系。在本节中，了解了 LSTM 和 RNN 的基本原理，并介绍了如何在 PyTorch 中实现 LSTM。
RNN lstm(回归例子)代码及高版本更新
07-04
莫凡教程RNN的lstm对回归例子的代码及在高版本TensorFlow代码更新
深度学习代码实战——基于RNN的时间序列拟合（回归）
weixin_37763870的博客
04-02 2977
1.前言 循环神经网络让神经网络有了记忆, 对于序列型的数据,循环神经网络能达到更好的效果.接着我将实战分析手写数字的 RNN分类
ResNet+LSTM这么做，2区以上希望大
最新发布
学姐带你玩AI的博客
10-22 880
前几天关注了LSTM之父和ResNet奠基人的创始之争，瓜吃了个爽。不过呢，开炮归开炮，ResNet与LSTM的结合到现在也依然是我们搞创新的好选择。因为这种混合架构在技术上具有天然优势，能直接解决众多领域的实际问题，应用面很广。而且从现有研究来看，基于ResNet+LSTM及其变体的研究成果在中科院1/2区常能见到，也证明了其学术价值。我从这些高质量成果中挑选了部分当做参考，整体看下来，创新还是基本围绕模型结构优化、面向具体场景优化、开拓新兴与交叉领域等角度展开。
使用pytorch动手实现LSTM模块
luoganttcc的博客
02-24 934
import torch import torch.nn as nn from torch.nn import Parameter from torch.nn import init from torch import Tensor import math class NaiveLSTM(nn.Module): """Naive LSTM like nn.LSTM""" def ...
LSTM回归问题
weixin_41888257的博客
10-18 3696
LSTM 解决回归问题时，出现了 model.predict() 输出的值几乎是常数值的问题，后来发现是因为数据没有标准化（归一化），导致 loss 不下降，也就是不收敛。后来加入了数据的标准化之后，就可以拟合了。 from keras.datasets import mnist from keras.layers import Dense, LSTM from keras.utils import to_categorical from keras.models import Sequential imp
利用LSTM作多元回归预测
热门推荐
weixin_40825517的博客
06-19 1万+
LSTM在时序分析、语义理解等深度学习领域都有着广泛的应用，本文重点讲解LSTM在多维数据预测的应用。
精选资源
神经网络：用Python语言从零开始实现的卷积神经网络，LSTM神经网络和神经网络
02-04
本篇文章将详细探讨这些知识点，并通过实际代码示例来阐述如何在Python环境中，特别是利用numpy和matplotlib库，从零开始构建这些模型。 首先，卷积神经网络（CNN）主要用于图像处理任务，如图像分类和物体识别。...
PyTorch深度学习实战（42）——图像字幕生成
盼小辉丶的博客
05-17 7088
图像字幕生成模型在计算机视觉和自然语言处理等领域具有广泛的应用。它可以用于自动图像标注、图像搜索和辅助视觉障碍者等方面。图像字幕生成模型的目标是实现对图像的语义理解和描述生成，从而更好地连接图像和文本信息。在本节中，我们学习如何利用 CNN 和 LSTM 构建模型为图像生成描述字幕。
03- LSTM 的从零开始实现
March_A的博客
09-12 889
定义 LSTM 主体结构# 准备开始进行前向传播。
深度学习实战（一）——简单线性回归任务
qq_54121895的博客
03-05 789
定义一个函数（线性回归模型），用于生成预测值，拟合真实数据# 矩阵乘法函数 torch.matmul 来计算线性变换 x * w， 然后加上偏置 b 得到预测值 pred_y这里我们使用平均绝对误差（MAE）作为损失函数# loss函数，这里使用平均绝对误差（MAE）作为损失函数# torch.abs 函数计算pred_y 和真实值 y 之间的逐元素差的绝对值，使用 torch.sum 函数对所有数据点的绝对误差进行求和# 最后，将总误差除以数据点的数量 len(y)，这里是16。
【模型实现】基于Python的LSTM网络实现单特征预测回归任务（TensorFlow）
qq_48185833的博客
05-03 3440
利用Python语言中的TensorFlow库搭建LSTM实现价格预测
lstm回归预测模型_回归分析lstm网络预测未来价格
weixin_26745985的博客
09-05 6165
lstm回归预测模型 加密货币和神经网络 (Cryptocurrency and Neural Network) Prediction of stock price is a quite challenging task due to volatile and non-linear nature of the financial stock markets. Here, the problem w...
【深度学习】回归任务评价方法（MSE、MAE、RMSE）
JNing
09-14 5605
回归loss MSE 1n∑ni=1
李宏毅深度学习---回归分析（regression）预测宝可梦+机器学习任务攻略
chase_2414616363
09-15 1099
李宏毅深度学习
《深度学习》李宏毅 -- task2 回归
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
08-18 561
深度学习》李宏毅 -- task2 回归笔记，介绍回归定义、用法及相关案例，进行步骤展示总结。
【项目实战】Python实现循环神经网络RNN-LSTM回归模型项目实战(股票价格预测)
张陈亚的博客
11-23 1万+
【项目实战】Python实现循环神经网络RNN-LSTM回归模型项目实战(股票价格预测)
深度学习：回归任务的学习笔记
weixin_55529678的博客
12-13 2152
回归任务是神经网络的一个重要的任务，通俗的讲，回归任务就是给你一系列的输入，然后预测出输出的任务，比如预测气温，预测股票等等，都是回归任务
评论
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
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