RNN实例

最新推荐文章于 2023-02-27 14:38:33 发布
最新推荐文章于 2023-02-27 14:38:33 发布
阅读量791 收藏 10
点赞数
文章标签： 人工智能 python
原文链接：http://www.cnblogs.com/htfeng/p/9931744.html
版权

 

机器学习算法完整版见fenghaootong-github

航空公司客运流量预测

数据集

数据集有两列，分别是时间和客运流量，用到的主要是客运流量

导入模块 

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense, Activation
Using TensorFlow backend.

import warnings
warnings.filterwarnings('ignore')

导入数据 

#导入数据
df = pd.read_csv('../DATA/airData.csv', sep=',')
df = df.set_index('time')
df.head()
 passengers
time 
1949-01112
1949-02118
1949-03132
1949-04129
1949-05121
1949-06135
1949-07148
1949-08148
1949-09136
1949-10119
1949-11104
1949-12118
1950-01115
1950-02126
1950-03141
1950-04135
1950-05125
1950-06149
1950-07170
1950-08170
1950-09158
1950-10133
1950-11114
1950-12140
1951-01145
1951-02150
1951-03178
1951-04163
1951-05172
1951-06178
……
1958-07491
1958-08505
1958-09404
1958-10359
1958-11310
1958-12337
1959-01360
1959-02342
1959-03406
1959-04396
1959-05420
1959-06472
1959-07548
1959-08559
1959-09463
1959-10407
1959-11362
1959-12405
1960-01417
1960-02391
1960-03419
1960-04461
1960-05472
1960-06535
1960-07622
1960-08606
1960-09508
1960-10461
1960-11390
1960-12432

144 rows × 1 columns

画图 

#画图
df['passengers'].plot()
plt.show()

这里写图片描述

数据预处理 

#只用客运流量一列
df = pd.read_csv('DATA/data.csv', sep=',', usecols=[1])
data_all = np.array(df).astype(float)
#数据归一化
scaler = MinMaxScaler()
data_all = scaler.fit_transform(data_all)

时间序列

#时间序列
sequence_length=10
data = []
for i in range(len(data_all) - sequence_length - 1):
    data.append(data_all[i: i + sequence_length + 1])
reshaped_data = np.array(data).astype('float64')
reshaped_data
array([[[ 0.01544402],
        [ 0.02702703],
        [ 0.05405405],
        ..., 
        [ 0.06177606],
        [ 0.02895753],
        [ 0.        ]],

       [[ 0.02702703],
        [ 0.05405405],
        [ 0.04826255],
        ..., 
        [ 0.02895753],
        [ 0.        ],
        [ 0.02702703]],

       [[ 0.05405405],
        [ 0.04826255],
        [ 0.03281853],
        ..., 
        [ 0.        ],
        [ 0.02702703],
        [ 0.02123552]],

       ..., 
       [[ 0.4980695 ],
        [ 0.58108108],
        [ 0.6042471 ],
        ..., 
        [ 1.        ],
        [ 0.96911197],
        [ 0.77992278]],

       [[ 0.58108108],
        [ 0.6042471 ],
        [ 0.55405405],
        ..., 
        [ 0.96911197],
        [ 0.77992278],
        [ 0.68918919]],

       [[ 0.6042471 ],
        [ 0.55405405],
        [ 0.60810811],
        ..., 
        [ 0.77992278],
        [ 0.68918919],
        [ 0.55212355]]])

训练集和测试集 

split = 0.8
np.random.shuffle(reshaped_data)
x = reshaped_data[:, :-1]
y = reshaped_data[:, -1]
split_boundary = int(reshaped_data.shape[0] * split)
train_x = x[: split_boundary]
test_x = x[split_boundary:]

train_y = y[: split_boundary]
test_y = y[split_boundary:]
train_x = np.reshape(train_x, (train_x.shape[0], train_x.shape[1], 1))
test_x = np.reshape(test_x, (test_x.shape[0], test_x.shape[1], 1))

搭建LSTM模型 

#搭建LSTM模型
model = Sequential()
model.add(LSTM(input_dim=1, output_dim=50, return_sequences=True))
print(model.layers)
model.add(LSTM(100, return_sequences=False))
model.add(Dense(output_dim=1))
model.add(Activation('linear'))

model.compile(loss='mse', optimizer='rmsprop')
[<keras.layers.recurrent.LSTM object at 0x000001D78422DC50>]

模型训练 

model.fit(train_x, train_y, batch_size=512, nb_epoch=100, validation_split=0.1)
predict = model.predict(test_x)
predict = np.reshape(predict, (predict.size, ))
Train on 95 samples, validate on 11 samples
Epoch 1/100
95/95 [==============================] - 0s 253us/step - loss: 0.0117 - val_loss: 0.0073
Epoch 2/100
95/95 [==============================] - 0s 248us/step - loss: 0.0121 - val_loss: 0.0093
Epoch 3/100
95/95 [==============================] - 0s 242us/step - loss: 0.0116 - val_loss: 0.0073
Epoch 4/100
95/95 [==============================] - 0s 253us/step - loss: 0.0120 - val_loss: 0.0092
Epoch 5/100
95/95 [==============================] - 0s 274us/step - loss: 0.0115 - val_loss: 0.0072
Epoch 6/100
95/95 [==============================] - 0s 258us/step - loss: 0.0119 - val_loss: 0.0091
Epoch 7/100
95/95 [==============================] - 0s 258us/step - loss: 0.0114 - val_loss: 0.0072
Epoch 8/100
95/95 [==============================] - 0s 248us/step - loss: 0.0118 - val_loss: 0.0090
Epoch 9/100
95/95 [==============================] - 0s 274us/step - loss: 0.0113 - val_loss: 0.0071
Epoch 10/100
95/95 [==============================] - 0s 263us/step - loss: 0.0117 - val_loss: 0.0089
Epoch 11/100
95/95 [==============================] - 0s 306us/step - loss: 0.0113 - val_loss: 0.0071
Epoch 12/100
95/95 [==============================] - 0s 253us/step - loss: 0.0116 - val_loss: 0.0088
Epoch 13/100
95/95 [==============================] - 0s 253us/step - loss: 0.0112 - val_loss: 0.0070
Epoch 14/100
95/95 [==============================] - 0s 290us/step - loss: 0.0115 - val_loss: 0.0087
Epoch 15/100
95/95 [==============================] - 0s 274us/step - loss: 0.0111 - val_loss: 0.0070
Epoch 16/100
95/95 [==============================] - 0s 263us/step - loss: 0.0114 - val_loss: 0.0086
Epoch 17/100
95/95 [==============================] - 0s 263us/step - loss: 0.0110 - val_loss: 0.0069
Epoch 18/100
95/95 [==============================] - 0s 258us/step - loss: 0.0113 - val_loss: 0.0085
Epoch 19/100
95/95 [==============================] - 0s 258us/step - loss: 0.0109 - val_loss: 0.0068
Epoch 20/100
95/95 [==============================] - 0s 306us/step - loss: 0.0112 - val_loss: 0.0084
Epoch 21/100
95/95 [==============================] - 0s 279us/step - loss: 0.0108 - val_loss: 0.0068
Epoch 22/100
95/95 [==============================] - 0s 279us/step - loss: 0.0111 - val_loss: 0.0083
Epoch 23/100
95/95 [==============================] - 0s 263us/step - loss: 0.0107 - val_loss: 0.0067
Epoch 24/100
95/95 [==============================] - 0s 279us/step - loss: 0.0110 - val_loss: 0.0082
Epoch 25/100
95/95 [==============================] - 0s 269us/step - loss: 0.0106 - val_loss: 0.0067
Epoch 26/100
95/95 [==============================] - 0s 263us/step - loss: 0.0109 - val_loss: 0.0081
Epoch 27/100
95/95 [==============================] - 0s 263us/step - loss: 0.0105 - val_loss: 0.0066
Epoch 28/100
95/95 [==============================] - 0s 258us/step - loss: 0.0108 - val_loss: 0.0079
Epoch 29/100
95/95 [==============================] - 0s 253us/step - loss: 0.0103 - val_loss: 0.0065
Epoch 30/100
95/95 [==============================] - 0s 269us/step - loss: 0.0107 - val_loss: 0.0078
Epoch 31/100
95/95 [==============================] - 0s 248us/step - loss: 0.0102 - val_loss: 0.0065
Epoch 32/100
95/95 [==============================] - 0s 253us/step - loss: 0.0105 - val_loss: 0.0077
Epoch 33/100
95/95 [==============================] - 0s 242us/step - loss: 0.0101 - val_loss: 0.0064
Epoch 34/100
95/95 [==============================] - 0s 258us/step - loss: 0.0104 - val_loss: 0.0076
Epoch 35/100
95/95 [==============================] - 0s 242us/step - loss: 0.0100 - val_loss: 0.0063
Epoch 36/100
95/95 [==============================] - 0s 253us/step - loss: 0.0103 - val_loss: 0.0074
Epoch 37/100
95/95 [==============================] - 0s 248us/step - loss: 0.0099 - val_loss: 0.0063
Epoch 38/100
95/95 [==============================] - 0s 237us/step - loss: 0.0102 - val_loss: 0.0073
Epoch 39/100
95/95 [==============================] - 0s 242us/step - loss: 0.0097 - val_loss: 0.0062
Epoch 40/100
95/95 [==============================] - 0s 242us/step - loss: 0.0100 - val_loss: 0.0072
Epoch 41/100
95/95 [==============================] - 0s 232us/step - loss: 0.0096 - val_loss: 0.0061
Epoch 42/100
95/95 [==============================] - 0s 263us/step - loss: 0.0099 - val_loss: 0.0070
Epoch 43/100
95/95 [==============================] - 0s 248us/step - loss: 0.0095 - val_loss: 0.0061
Epoch 44/100
95/95 [==============================] - 0s 242us/step - loss: 0.0097 - val_loss: 0.0069
Epoch 45/100
95/95 [==============================] - 0s 248us/step - loss: 0.0093 - val_loss: 0.0060
Epoch 46/100
95/95 [==============================] - 0s 248us/step - loss: 0.0096 - val_loss: 0.0067
Epoch 47/100
95/95 [==============================] - 0s 248us/step - loss: 0.0092 - val_loss: 0.0059
Epoch 48/100
95/95 [==============================] - 0s 253us/step - loss: 0.0095 - val_loss: 0.0066
Epoch 49/100
95/95 [==============================] - 0s 232us/step - loss: 0.0090 - val_loss: 0.0059
Epoch 50/100
95/95 [==============================] - 0s 258us/step - loss: 0.0093 - val_loss: 0.0064
Epoch 51/100
95/95 [==============================] - 0s 248us/step - loss: 0.0089 - val_loss: 0.0058
Epoch 52/100
95/95 [==============================] - 0s 248us/step - loss: 0.0092 - val_loss: 0.0063
Epoch 53/100
95/95 [==============================] - 0s 269us/step - loss: 0.0087 - val_loss: 0.0058
Epoch 54/100
95/95 [==============================] - 0s 258us/step - loss: 0.0090 - val_loss: 0.0061
Epoch 55/100
95/95 [==============================] - 0s 237us/step - loss: 0.0086 - val_loss: 0.0057
Epoch 56/100
95/95 [==============================] - 0s 248us/step - loss: 0.0088 - val_loss: 0.0060
Epoch 57/100
95/95 [==============================] - 0s 253us/step - loss: 0.0084 - val_loss: 0.0057
Epoch 58/100
95/95 [==============================] - 0s 232us/step - loss: 0.0087 - val_loss: 0.0058
Epoch 59/100
95/95 [==============================] - 0s 253us/step - loss: 0.0082 - val_loss: 0.0057
Epoch 60/100
95/95 [==============================] - 0s 263us/step - loss: 0.0085 - val_loss: 0.0057
Epoch 61/100
95/95 [==============================] - 0s 248us/step - loss: 0.0081 - val_loss: 0.0056
Epoch 62/100
95/95 [==============================] - 0s 237us/step - loss: 0.0083 - val_loss: 0.0055
Epoch 63/100
95/95 [==============================] - 0s 248us/step - loss: 0.0079 - val_loss: 0.0056
Epoch 64/100
95/95 [==============================] - 0s 279us/step - loss: 0.0082 - val_loss: 0.0053
Epoch 65/100
95/95 [==============================] - 0s 274us/step - loss: 0.0077 - val_loss: 0.0056
Epoch 66/100
95/95 [==============================] - 0s 295us/step - loss: 0.0080 - val_loss: 0.0052
Epoch 67/100
95/95 [==============================] - 0s 258us/step - loss: 0.0075 - val_loss: 0.0057
Epoch 68/100
95/95 [==============================] - 0s 242us/step - loss: 0.0078 - val_loss: 0.0051
Epoch 69/100
95/95 [==============================] - 0s 269us/step - loss: 0.0074 - val_loss: 0.0057
Epoch 70/100
95/95 [==============================] - 0s 253us/step - loss: 0.0076 - val_loss: 0.0049
Epoch 71/100
95/95 [==============================] - 0s 269us/step - loss: 0.0072 - val_loss: 0.0057
Epoch 72/100
95/95 [==============================] - 0s 279us/step - loss: 0.0075 - val_loss: 0.0048
Epoch 73/100
95/95 [==============================] - 0s 274us/step - loss: 0.0070 - val_loss: 0.0058
Epoch 74/100
95/95 [==============================] - 0s 258us/step - loss: 0.0073 - val_loss: 0.0047
Epoch 75/100
95/95 [==============================] - 0s 274us/step - loss: 0.0069 - val_loss: 0.0059
Epoch 76/100
95/95 [==============================] - 0s 248us/step - loss: 0.0071 - val_loss: 0.0046
Epoch 77/100
95/95 [==============================] - 0s 248us/step - loss: 0.0067 - val_loss: 0.0060
Epoch 78/100
95/95 [==============================] - 0s 284us/step - loss: 0.0070 - val_loss: 0.0046
Epoch 79/100
95/95 [==============================] - 0s 269us/step - loss: 0.0066 - val_loss: 0.0061
Epoch 80/100
95/95 [==============================] - 0s 248us/step - loss: 0.0069 - val_loss: 0.0045
Epoch 81/100
95/95 [==============================] - 0s 279us/step - loss: 0.0064 - val_loss: 0.0062
Epoch 82/100
95/95 [==============================] - 0s 258us/step - loss: 0.0067 - val_loss: 0.0045
Epoch 83/100
95/95 [==============================] - 0s 279us/step - loss: 0.0063 - val_loss: 0.0063
Epoch 84/100
95/95 [==============================] - 0s 242us/step - loss: 0.0065 - val_loss: 0.0044
Epoch 85/100
95/95 [==============================] - 0s 264us/step - loss: 0.0062 - val_loss: 0.0064
Epoch 86/100
95/95 [==============================] - 0s 253us/step - loss: 0.0064 - val_loss: 0.0044
Epoch 87/100
95/95 [==============================] - 0s 258us/step - loss: 0.0061 - val_loss: 0.0065
Epoch 88/100
95/95 [==============================] - 0s 248us/step - loss: 0.0064 - val_loss: 0.0045
Epoch 89/100
95/95 [==============================] - 0s 274us/step - loss: 0.0060 - val_loss: 0.0066
Epoch 90/100
95/95 [==============================] - 0s 269us/step - loss: 0.0063 - val_loss: 0.0044
Epoch 91/100
95/95 [==============================] - 0s 253us/step - loss: 0.0059 - val_loss: 0.0067
Epoch 92/100
95/95 [==============================] - 0s 253us/step - loss: 0.0062 - val_loss: 0.0045
Epoch 93/100
95/95 [==============================] - 0s 258us/step - loss: 0.0058 - val_loss: 0.0067
Epoch 94/100
95/95 [==============================] - 0s 242us/step - loss: 0.0061 - val_loss: 0.0045
Epoch 95/100
95/95 [==============================] - 0s 290us/step - loss: 0.0057 - val_loss: 0.0068
Epoch 96/100
95/95 [==============================] - 0s 263us/step - loss: 0.0060 - val_loss: 0.0045
Epoch 97/100
95/95 [==============================] - 0s 242us/step - loss: 0.0057 - val_loss: 0.0069
Epoch 98/100
95/95 [==============================] - 0s 269us/step - loss: 0.0060 - val_loss: 0.0046
Epoch 99/100
95/95 [==============================] - 0s 258us/step - loss: 0.0056 - val_loss: 0.0069
Epoch 100/100
95/95 [==============================] - 0s 269us/step - loss: 0.0059 - val_loss: 0.0046

比较 

predict_y = scaler.inverse_transform([[i] for i in predict])
test = scaler.inverse_transform(test_y)

plt.plot(predict_y, 'g:', label='prediction')
plt.plot(test, 'r-', label='true')
plt.legend(['predict', 'true'])
plt.show()

这里写图片描述

转载于:https://www.cnblogs.com/htfeng/p/9931744.html

weixin_30877181
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
循环神经网络(RNN)原理与代码实战案例讲解
禅与计算机程序设计艺术
05-21 503
1. 背景介绍 1.1 人工智能与深度学习的崛起 近年来，人工智能（AI）技术取得了突破性进展，其中深度学习作为其重要分支，展现出强大的能力。深度学习通过构建多层神经网络，模拟人脑的学习机制，从海量数据中提取特征和规律，在图像识别、自然语言处理、语音识别等领域取得了令人瞩目的成果。
深度学习之RNN(循环神经网络)
笨拙的石头的博客
05-28 24万+
一 RNN概述     前面我们叙述了BP算法, CNN算法, 那么为什么还会有RNN呢?? 什么是RNN, 它到底有什么不同之处? RNN的主要应用领域有哪些呢?这些都是要讨论的问题.     1) BP算法,CNN之后, 为什么还有RNN?     细想BP算法,CNN(卷积神经网络)我们会发现, 他们的输出都是只考虑前一个输入的影响而不考虑其它时刻输入的影响, 比如简单的猫,狗,手写数...
一文详解什么是RNN（循环神经网络）
Machine Learning with Tutors
04-25 5万+
如图所示，你会发现每个cell都会有一个损失，我们已经定义好了损失函数，接下来就是熟悉的一步了，那就是根据损失函数利用SGD来求解最优参数，在CNN中使用反向传播BP算法来求解最优参数，但在RNN就要用到BPTT，它和BP算法的本质区别，也是CNN和RNN的本质区别：CNN没有记忆功能，它的输出仅依赖与输入，但RNN有记忆功能，它的输出不仅依赖与当前输入，还依赖与当前的记忆。在图像处理中，目前做的最好的是CNN，而自然语言处理中，表现比较好的是RNN，因此，我们能否把他们结合起来，一起用呢？
基于Numpy构建RNN模块并进行实例应用（附代码）
m0_49963403的博客
01-15 1738
本文详细说明RNN的原理及架构，不依赖任何集成好的深度学习库，仅基于Numpy构建RNN模型，并通过实例学习并理解RNN。
RNN
热门推荐
对算法理论、算法工程落地、大数据工具等感兴趣
06-06 31万+
RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。首先我们要明确什么是序列数据，摘取百度百科词条：时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。这是时间序列数据的定义，当然这里也可以不是时间，比如文字序列，但总归序列数据有一个特点——后面的数据跟前面的数据有关系。 ...
两个rnn实例，可直接运行
weixin_41529093的博客
03-30 815
仅作为记录，大佬请跳过。 文章目录参考实例一代码实例二代码 参考 感谢大佬博主文章 实例1传送门 实例2传送门 实例一代码 简介：输入了这个正弦曲线，输出一个移位的正弦曲线 代码： import torch from torch import nn import numpy as np import matplotlib.pyplot as plt plt.figure(figsize=(8, 5)) # how many time steps/data pts are in one batch of
RNN的实例代码
07-19
在描述中，“python实现、可用jupyter notebook查看”表明这些RNN实例是用Python编程语言编写的，并且可以通过Jupyter Notebook进行交互式学习和运行。Jupyter Notebook是一个流行的开源工具，允许程序员和数据科学...
Pytorch 实现RNN回归.zip
01-22
在`RNN_regressor.py`或`RNN_regressor.ipynb`中，这通常包括创建一个RNN实例，比如`nn.RNN(input_size, hidden_size, num_layers)`。 - 输出层：为了适应回归任务，RNN的输出通常会连接到一个线性层（`nn.Linear`...
MATLAB-RNN预测.rar
最新发布
03-30
**RNN应用实例** 1. **时间序列预测**：比如股票价格预测、天气预报等，RNN能够捕捉到数据中的趋势和周期性。 2. **自然语言处理**：RNN可以用来做文本生成、情感分析、机器翻译等，通过理解单词序列的上下文关系。 ...
tensorflow使用实例
06-28
在本文中，我们将深入探讨如何使用TensorFlow进行特定人脸识别，并利用循环神经网络（RNN）进行文本生成。TensorFlow是一个强大的开源库，广泛应用于深度学习领域，包括图像处理和自然语言处理。 首先，我们来看看...
poetry（RNN诗人）
05-19
总的来说，"poetry（RNN诗人）"是一个生动的实例，展示了深度学习和RNN如何与文学创作相结合，为我们带来新颖的艺术体验。通过这个项目，不仅可以学习到RNN的工作原理，还可以了解到如何将机器学习应用于创意领域，...
循环神经网络RNN详解与实例pytorch
你这个代码我看不懂的博客
04-06 4863
一、数据介绍 本次实验采用的数据集是SNLI数据集，是 500,000 标记为英语的句子对。包括蕴含、矛盾，中立三种。 蕴含: 可以通过前提推断出假设。 矛盾: 可以推断出与假设相反。 中立: 所有其他情况。 下载数据集： import collections from d2l import mxnet as d2l from mxnet import gluon, np, npx npx.set_np() d2l.DATA_HUB['SNLI'] = ('https://nlp.stanford.edu
【深度学习】RNN
Dong_ZH的博客
02-27 7260
循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neural network）。
深度学习框架Tensorflow案例实战视频课程
01-24
深度学习框架Tensorflow案例实战视频培训课程概况：Tensorflow是谷歌开源的深度学习（包括机器学习）框架，伴随着人工智能业的兴盛其大名早已响彻云霄。本课程从Tensorflow安装开始讲起，从基本计算结构到深度学习各大神经网络，全程案例代码实战，一步步带大家入门如何使用深度学习框架Tensorflow，玩转Tensorflow模型训练、等所有知识点。
RNN：循环神经的网络结构、特点及应用实例
qq_42600675的博客
12-26 8112
RNN：循环神经的网络结构及其特点前言一、RNN？二、使用步骤1.引入库2.读入数据总结 前言 循环神经网络(Recurrent Neural Network, RNN)是用来建模序列化数据的一种主流深度学习模型。RNN将神经元串行起来，每个神经元能用它的内部变量保存之间输入的序列信息来把整个序列浓缩成抽象表示，并据此进行分类或生成新的序列，解决了传统前馈神经网络无法处理变长序列和难以捕捉序列中长距离的依赖关系的问题，基于此特点RNN在机器翻译、序列标注、图像标注、推荐系统、智能聊天机器人和自动作词作曲.
tensorflow学习笔记(三十九) : 双向rnn (BiRNN)
Keith
05-02 4万+
双向RNN实际上仅仅是两个独立的RNN放在一起, 本博文将介绍如何在tensorflow中实现双向rnn 单层双向rnn 单层双向rnn (cs224d) tensorflow中已经提供了双向rnn的接口,它就是tf.nn.bidirectional_dynamic_rnn(). 我们先来看一下这个接口怎么用. bidirectional_dynamic_rnn( ce...
【个人整理】循环神经网络RNN对于变长序列的处理方法
MIss-Y的博客
04-04 2万+
前言：我们前面将的各种循环神经网络的实现都是固定的时间步长的，即timesteps的长度是固定的，但是在实际问题中，这个往往是不固定的，为什么呢？因为文本数据在处理的时候，由于各样本的长度并不一样，有的句子长有的句子短这就导致在timesteps上面是维度不固定的，这种数据该如何处理呢？这就是本文要说的重点了。 目录 一、大胆尝试，直接填充0行不行？ 二、tensorflow对于...
Tensorflow RNN源代码解析笔记2：RNN的基本实现
MebiuW的专栏
03-16 9322
1 前言话说上回说到了RNNCell的基本实现，本来按照道理来说，应该介绍LSTM GRU的，但是奈何这些于我而言也是不太熟悉（然后我又悲伤的想到了那个电话，哎），所以不如先说说RNN网络的实现吧，毕竟之前熟悉的是基本的RNNCell，现在再熟悉下RNN的具体实现，那不正好可以完整的学习一个基本版的RNN么？ Tensorflow RNN源代码解析笔记1：RNNCell的基本实现2 基本说明Te
RNN LSTM 循环神经网络 (分类例子)
omnispace的博客
11-01 1万+
学习资料: 相关代码为 TF 2017 打造的新版可视化教学代码机器学习-简介系列 什么是RNN机器学习-简介系列 什么是LSTM RNN本代码基于网上这一份代码 code 设置 RNN 的参数 这次我们会使用 RNN 来进行分类的训练 (Classification). 会继续使用到手写数字 MNIST 数据集. 让 RNN 从每张图片的第一行像素读到最后一行, 然后再进行分类
RNN模型和LSTM模型实例
04-06
以下是一个使用RNN模型的实例： 假设我们要训练一个文本分类模型，将一段文本分为两类：正面评价和负面评价。我们可以使用RNN模型来处理这个任务。 首先，我们需要将文本转换为数字序列，这可以通过将每个单词映射...

“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
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