VLU-CSDN博客

原创 15-ICOST-Anti-fall-A Non-intrusive and Real-Time Fall Detector Leveraging CSI from Commodity WiFi De

15-ICOST-Anti-fall-A Non-intrusive and Real-Time Fall Detector Leveraging CSI from Commodity WiFi Devices摘要——跌倒是老年人独立生活的主要健康威胁和障碍之一，及时可靠的跌倒检测对于减轻跌倒的影响至关重要。在本文中，我们利用商品 WiFi 设备中的细粒度信道状态信息 (CSI) 和多天线设置，设计并实现了一种实时、非侵入性和低成本的室内跌倒检测器，称为 Anti-Fall . 第一次，两个天线上的 C

2021-12-29 17:12:43 442

原创 20-IEEE Trans-A_WiFi-Based_Smart_Home_Fall_Detection_System_Using_Recurrent_Neural_Network

【摘要】：独居老人跌倒已被视为重大公共卫生问题,甚至可能导致死亡。提醒护理人员或家庭成员的跌倒检测系统 (FDS) 有可能挽救老年人的生命。然而，传统的 FDS 涉及可穿戴传感器和专门的硬件安装。本文介绍了一种基于商品WiFi框架的智能家居无源无设备FDS，主要由硬件平台和客户端应用两个模块组成。具体来说，商用 WiFi 设备从智能家居收集人体运动引起的干扰信号，并将数据传输到数据分析平台进行进一步处理。在此基础上，采用离散小波变换(DWT)方法消除采集数据中存在的随机噪声的影响。接下来，利用循环神经网络

2021-09-06 16:49:13 851

原创 20-ICE_ITMC-WiFi-based_In-home_Fall-detection_Utility_Application_of_WiFi_Channel_State_Information_

摘要：跌倒是老一辈人受伤和死亡的主要原因。家庭坠落监控系统提高了安全性，同时允许持续的独立性。基于 WiFi 的家庭跌倒检测实用程序通过利用 WiFi 信道状态信息来监控用户，区分跌倒与正常的日常活动，如果发生跌倒，会自动通知用户选择的紧急联系人。传入的 CSI 数据作为 3 维整数矩阵被接收。在数据收集过程中，每次试验都包含 15 秒的数据，这些数据后来被分成三秒的块，以一秒为增量。训练完成后，会持续收集数据，但仅使用前三秒进行预测。再加上 CSI 以 50Hz 的速率采样，数据收集期间的每个矩阵变

2021-09-06 16:48:06 301

原创 20-ICASSP-A_WiFi-Based_Passive_Fall_Detection_System

基于 WiFi 信号的跌倒检测系统最近越来越受欢迎。然而，现有的大部分依赖于训练的工作都是依赖于环境的。在本文中，我们提出了 DeFall，这是一种新型的基于 WiFi 的、独立于环境的跌倒检测系统，它利用了与人类跌倒相关的内在特征——速度和加速度随时间变化的模式。该系统由离线模板生成阶段和在线决策阶段组成。在离线阶段，首先基于信道状态信息 (CSI) 的统计模型估计人类跌倒的速度。应用基于动态时间扭曲 (DTW) 的算法来生成典型人类跌倒的代表性模板。然后通过评估实时速度/加速度估计模式与代表性模板之间的

2021-09-06 16:44:19 270

原创 20-GLOBECOM-Wi-Fi-CSI-based_Fall_Detection_by_Spectrogram_Analysis_with_CNN

摘要——跌倒检测系统对独居老人的需求很大。在基于 Wi-Fi CSI 的跌倒检测的传统工作中，当使用不同环境中的数据来学习和测试数据时，已经观察到分类性能下降。此外，该方法由于降噪过程中的信号失真而无法准确捕捉运动特征，并且在SNR（信噪功率比）较小时无法准确地分割信号。在本文中，我们提出了一种使用 Wi-Fi CSI 的基于频谱图图像的跌倒检测。不同于传统的方法，CSI是用一定的滑动时间窗口分割的，然后分类器利用分割后的CSI生成的频谱图来检测跌倒。我们使用 CNN（卷积神经网络）对跌倒和非跌倒运动的频谱

2021-09-03 16:11:50 599 3

原创 21-Sensors-Influence of the Antenna Orientation on WiFi-Based Fall Detection Systems

摘要：不断增长的独立生活的老年人口需要远程健康监测系统。跌倒被认为是反复发生的致命事件，因此已成为全球健康问题。由于难以将跌倒的特征与其他类似活动区分开来，基于 WiFi 射频信号的跌倒检测系统仍然存在局限性。此外，天线方向没有被考虑作为分类性能的影响因素。因此，我们在本文中对与天线方向相关的分类性能以及与极化和辐射方向图相关的影响进行了分析。此外，还展示了用于收集跌倒经验数据的无设备跌倒检测平台的实现。该平台测量探测信号的多普勒频谱，以提取人体运动产生的多普勒特征，其特征可用于识别坠落事件。该系统探索两种

2021-09-02 11:20:21 110

原创 21-Internet Things J-FallViewer_A_Fine-Grained_Indoor_Fall_Detection_System_With_Ubiquitous_Wi-Fi_De

【摘要】：老年人的安全问题备受关注。在各种日常活动中，跌倒是老年人尤其是独居老人最危险的事件之一。现有的跌倒检测工作大多基于可穿戴设备，使用不便。一些解决方案只使用粗粒度的Wi-Fi信号信息，其中包含很多偏差，缺乏对环境变化的考虑。这些情况促使我们设计一种细粒度且鲁棒的跌倒检测方法。在本文中，我们提出了一种名为 FallViewer 的跌倒检测系统，它基于对 Wi-Fi 信号的信道状态信息 (CSI) 的分析。为了获得细粒度信息，我们提出了用于偏差校正的相位和幅度校准方法。然后，设计了一种天线功率调整方法来

2021-09-01 14:32:07 189

原创 17-CM-A Survey on Behavior Recognition Using WiFi Channel State Information

在本文中，我们使用商业 WiFi 系统的信道状态信息 (CSI) 对室内区域被动人类行为识别的最新进展进行了调查。人体部位的运动会导致无线信号反射的变化，从而导致 CSI 的变化。通过分析不同活动的 CSI 数据流并将它们与存储的模型进行比较，可以识别人类行为。这是通过从 CSI 数据流中提取特征并使用机器学习技术构建模型和分类器来完成的。此处介绍的文献中的技术具有出色的性能；然而，我们建议使用深度学习技术，如长短期记忆 (LSTM) 循环神经网络 (RNN)，而不是这些工作中使用的机器学习技术，并展示改进

2021-09-01 14:30:35 608 1

原创 17-IMWUT-FallDeFi Ubiquitous Fall Detection using Commodity Wi-Fi Devices

已经进行了大量的研究来开发基于一系列不同检测方法的跌倒检测系统，即可穿戴和非可穿戴传感和检测技术。在本文中，我们考虑了一种基于 WiFi 信道状态信息 (CSI) 的新兴非穿戴式跌倒检测方法。以前基于 CSI 的跌倒检测解决方案只考虑了时域方法。在这里，我们采用完全不同的方向，即雷达跌倒检测中使用的时频分析。我们使用传统的短时傅立叶变换 (STFT) 来提取时频特征，并使用顺序前向选择算法来挑选出对环境变化具有弹性的特征，同时保持较高的跌倒检测率。当我们的系统经过预训练时，它具有 93% 的准确率，与 RT

2021-09-01 14:29:40 477

原创 17-TMC-RT-Fall A Real-Time and Contactless Fall Detection System with Commodity WiFi Devices

摘要——本文介绍了 RT-Fall 的设计和实现，RT-Fall 是一种使用商用 WiFi 设备的实时、非接触式、低成本但准确的室内跌倒检测系统。 RT-Fall 利用商用 WiFi 设备中可访问的细粒度信道状态信息 (CSI) 的相位和幅度，首次实现了自动实时分割和检测跌落的目标，这允许用户执行无需在身上佩戴任何设备即可自然而持续地进行日常活动。这项工作做出了两个关键的技术贡献。首先，我们发现两个天线上的 CSI 相位差是比活动识别幅度更敏感的基础信号，这可以非常可靠地分割跌倒和类似跌倒的活动。其次，我们

2021-09-01 14:28:47 389

原创 19-SECON-Commercial Wi-Fi Based Fall Detection with Environment Influence Mitigation

在具有不同 Tx-Rx 布局方案的三种典型室内场景中，对笔记本电脑上配备的商用 802.11n NIC 的 WiFall 进行了广泛评估。测量结果表明，WiFall 可以在所有测试场景中使用基于随机森林的分类实现 94% 的平均检测准确率。此外，WiFall 可以扩展用于识别其他人类活动。4.4 活动决策 WiFall 中应用了两种分类算法来检测跌倒。为了区分跌倒与其他运动，我们首先采用基于从轮廓构建模块中提取的特征的一类支持向量机（SVM）。为了进一步提高检测精度并减少误报，随机森林（RF）被应

2021-09-01 14:27:01 182

原创 14-Infocom-WiFall Device-free Fall Detection by Wireless Networks

摘要——世界人口正处于独特且不可逆转的老龄化进程之中。秋季是老年人独立生活的主要健康威胁和障碍之一，将加剧全球老年人保健和伤害救援的压力。因此，非常需要自动跌倒检测。当前提议的跌倒检测系统要么需要硬件安装，要么扰乱人们的日常生活。这些限制使得很难在住宅环境中广泛部署跌倒检测系统。在这项工作中，我们分析了考虑人类活动影响的无线信号传播模型。然后，我们提出了一种基于先进无线技术的新颖且真正不引人注目的检测方法，我们称之为 WiFall。 WiFall 使用信道状态信息 (CSI) 的时间可变性和特殊多样性作为人

2021-09-01 14:26:06 383

原创 Adversarial Training Based Multi-Source Unsupervised Domain Adaptation for Sentiment Analysis

用于情感分析 (SA) 的多源无监督域适应 (MS-UDA) 旨在利用多个源域中的有用信息来帮助在没有监督信息的未标记目标域中进行 SA。 MS-UDA 的现有算法要么仅利用共享特征，即域不变信息，要么基于 NLP 中的一些弱假设，例如平滑假设。为了避免这些问题，我们提出了两种基于多源域适应方法的迁移学习框架，通过结合源假设来推导出良好的目标假设。第一个框架的关键特征是一种新颖的基于加权方案的无监督域自适应框架多源无监督域自适应 (MS-UDA) 用于情感分析 (SA) 旨在利用多个源域中的有用信息来帮助在

2021-07-13 15:03:10 361 1

原创 2021-CCNC-Congestion-Aware Suspicious Object Detection

摘要——致命疾病和恐怖袭击严重威胁着人类安全，对全球安全构成挑战。为了解决这个问题，城市监控系统正在以成熟但效率低下的解决方案在大规模网络中快速应用。当监控网络正在管理从多个边缘节点生成的数据时，由于数据流量集中和数据传输机制效率低下，很容易造成拥塞。同时，5G技术应对爆发式移动数据流量增长和海量设备连接，可以实现真正的“万物互联”，构建社会经济数字化转型。在本文中，在 5G 技术的背景下，我们基于下一代网络概念设计的可疑对象网络系统 (SONS) 提出了一个以信息为中心的网络 (ICN) 监视系统。在该解

2021-06-29 10:08:30 154

原创 20-WWW-FiDo Ubiquitous Fine-Grained WiFi-based Localization for Unlabelled Users via Domain Adaptati

我们提出了一种基于WiFi的域自适应系统FiDo，该系统能够使用来自一个或两个示例用户的标记数据来本地化许多不同的用户。 Fido包含两个模块：1）一个数据增幅器，它使用变分自动编码器（VAE）引入数据分集； 2）域自适应分类器，使用联合分类重构结构将自身调整为新收集的未标记数据。与现有技术相比，FiDo将平均F1得分提高了11.8％，将最坏情况下的准确性提高了20.2％。Challenge 1: It is unrealistic to create a comprehensive fingerpri

2021-03-29 13:21:05 216

原创 Non-obtrusive detection of concealed metallic objects using commodity WiFi radios-GLOBECOM2018

随着人们对隐蔽金属武器检测的日益关注，对具有大覆盖范围、鲁棒性和非突击性的金属检测系统的需求日益迫切。基于电磁感应或x射线的传统系统是有效的，但除了需要昂贵的基础设施外，覆盖范围较小。在本文中，我们探索利用无处不在的WiFi信号对隐藏的金属物体进行非侵入性检测。为目的,我们构建一个原型系统组成的单天线商品WiFi无线发射机,和两个multi-antenna无线电接收器放置在一个室内环境约42英尺×39英尺。与我们进行广泛的实验学科走过的设置(或没有)的金属板放置在胸。我们利用从接收机收集到的信道状态信息训练

2021-03-21 12:16:11 1088 3

原创 Towards inbaggage suspicious object detection using commodity WiFi- CNS 2018

特别是，为了识别不同的材料，我们利用了通过或绕过物体传输的WiFi信号，这导致了来自天线的CSI复值的不同特性(即吸收、折射和反射)及其差异。此外，我们从CSI中提取物体反射的信号，根据发现反射信号的强度与物体的反射面积成比例，来估计其形状(如宽度和高度)或体积。与现有的工作相比，我们的方法独特地分离了由物体的两个影响因素(即，材料和形状)引起的无线干扰，利用不同的信号波束包含在CSI复合体中。我们的系统只需要拥有2到3个天线的WiFi设备，并可以以低成本和部署努力集成到现有的WiFi网络中，使其比使用专用

2021-03-16 16:15:32 170

原创 Invariant Information Clustering for Unsupervised Image Classification and Segmentation-ICCV2019

训练后的网络直接输出语义标签，而不是需要外部处理才能用于语义聚类的高维表示。目标是使每对学生的课堂作业之间的相互信息最大化。它很容易实现，并且严格地以信息论为基础，这意味着我们毫不费力地避免了其他聚类方法容易受到的退化解。不变的信息聚类影响其他方法的两个问题：第一个是聚类退化，即单个聚类控制预测或聚类消失的趋势。由于互信息中的熵最大化成分，如果所有图像被分配到同一类，损失不会最小化。与此同时，由于条件熵最小化，最理想的模型是对每个图像确定地预测单个类(即一个热点)。第二个问题是带有未知类或干扰类的

2021-03-04 10:10:40 2282 1

原创 A Bottom-Up Clustering Approach to Unsupervised Person Re-Identification-AAAI2019

大多数人再识别(re-ID)方法都基于监督学习，这需要对训练数据进行密集的人工标注。然而，获取身份注释不仅是资源密集型的，而且对大规模的真实世界数据进行标记也是不切实际的。为了解决这个问题，我们提出了一种自底向上聚类(BUC)的方法来联合优化卷积神经网络(CNN)和个体样本之间的关系。我们的算法考虑了在重新识别任务中的两个基本事实，即不同身份之间的多样性和同一身份内部的相似性。具体地说，我们的算法从将单个样本作为一个不同的身份开始，这将最大化每个身份的多样性。然后它逐渐将相似的样本分组成一个身份，这增加了每

2021-02-03 10:05:44 446 1

原创 Feature Sampling Based Unsupervised Semantic Clustering for Real Web Multi-View Content-AAAI2019

真正的web数据集通常与多个视图相关联，比如长评论和短评论、用户偏好等等。然而，随着用户生成文本的快速增长，数据集的每个视图都有很大的特征空间，这给矩阵分解过程带来了计算上的挑战。在本文中，我们提出了一种基于非负矩阵分解的多视角聚类算法，该算法试图利用特征采样策略来降低迭代过程中的复杂度。特别地，我们的方法在学习过程中利用无监督语义信息，通过图正则化来捕获内在相似性。此外，我们使用Hilbert Schmidt独立准则(HSIC)来探索一个网页项目的多视图内容之间的无监督语义多样性信息。总体目标是最小化多视

2021-01-27 17:14:44 106

原创 Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering-CVPR2020

无监督域自适应(Unsupervised domain adaptive, UDA)是对目标域上的未标记数据进行预测。主流的UDA方法学习两个领域之间的对齐特征，这样根据源特征训练的分类器可以很容易地应用到目标特征上。然而，这种转移策略有可能破坏目标数据的内在辨识性。为了减轻这一风险，我们以结构域相似性假设为动机，提出通过对目标数据进行判别聚类，直接揭示目标的内在判别。我们使用结构源正则化来约束聚类解决方案，这取决于我们假定的结构域相似性。技术上，我们采用了一种灵活的基于深度网络的判别聚类框架，使网络预测标

2021-01-25 21:59:50 909 3

原创 Online Deep Clustering for Unsupervised Representation Learning-CVPR2020

联合聚类和特征学习方法在无监督表示学习中表现出了显著的性能。然而，训练计划在特征聚类和网络参数更新之间交替，导致视觉表示学习不稳定。为了克服这一挑战，我们提出了在线深度聚类(ODC)，它可以同时进行聚类和网络更新，而不是交替进行。我们的关键见解是，在保持分类器稳定更新的过程中，簇中心应该稳定地演化。具体来说，我们设计并维护了两个动态记忆模块，即用于存储样本标签和特征的样本记忆模块和用于质心进化的质心记忆模块。我们将突然的全局聚类分解为稳定的内存更新和分批次的标签重新分配。这个过程被集成到网络更新迭代中。这样

2021-01-22 17:05:48 1063

原创 One-class Classification with Deep Autoencoder Neural Networks for Author Verification in Internet R

One-class Classification with Deep Autoencoder Neural Networks for Author Verification in Internet Relay Chat-AICCSA 2019在本文中，我们设计了一个自主的IRC监控系统，执行递归深度学习来分类消息的威胁级别，并开发了一种基于深度自编码神经网络的单类分类作者验证方法。实验结果表明，该方法能够成功地对IRC用户进行有效的作者验证。方法：给一组明确的候选人分组，其他类型进行判别直接归为嫌疑人(

2021-01-19 17:46:46 273

原创 Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering-ICML 2017

大多数学习方法分别处理降维(DR)和聚类(即顺序)，但最近的研究表明，联合优化这两个任务可以显著提高两者的性能。后者的前提是数据样本是通过容易聚类的潜在表示的线性变换获得的;但在实践中，从潜在空间到数据的转换可能会更加复杂。在这项工作中，我们假定这个变换是一个未知的，可能是非线性的函数。为了恢复“聚类友好型”潜在表示并更好地聚类数据，我们提出了一种DR和K-means联合聚类方法，其中DR是通过学习深度神经网络(DNN)来完成的。其动机是保持联合优化两个任务的优势，同时利用深度神经网络近似任何非线性函数的能

2020-12-29 14:25:38 542

原创 One-Class Convolutional Neural Network -CoRR abs(2019)

我们提出了一种基于卷积神经网络(CNN)的单类分类方法。该思想是使用潜在空间中的零中心高斯噪声作为伪负类，并使用交叉熵损失训练网络，以学习一个好的表示和给定类的决策边界。该方法的一个重要特点是，任何预先训练好的CNN都可以作为单类分类的基础网络。本文提出的一类CNN是基于UMDAA-02 Face、abnormity -1001和FounderType200数据集进行评估的。这些数据集涉及到各种单一类的应用问题，如用户认证、异常检测和新颖性检测。大量的实验表明，该方法比目前最先进的方法有显著的改进。源代码可

2020-12-29 14:24:33 1858 2

原创 Learning Sleep Stages from Radio Signals:A Conditional Adversarial Architecture

Learning Sleep Stages from Radio Signals:A Conditional Adversarial Architecture：我们专注于通过无线电测量来预测睡眠阶段，而不需要在受试者身上附加任何传感器。我们引入了一种新的预测模型，结合卷积和循环神经网络从RF信号中提取睡眠特定的主观不变特征，并捕获睡眠的时间进展。我们方法的一个关键创新是改进的对抗训练机制，它丢弃了特定于个体或测量条件的无关信息，同时保留了与预测任务相关的所有信息。我们分析了我们的博弈论设置，并通过经验证明，

2020-12-21 17:11:54 264

原创 Adversarial Autoencoders

A. Makhzani, J. Shlens, N. Jaitly, I. Goodfellow, and B. Frey. (2015). ‘‘Adversarial autoencoders.’’ [Online]该文提出“对抗式自动编码器”(AAE)，这是一种概率式的自动编码器，它利用新提出的生成式对抗网络(GAN)，以任意先验分布匹配自编码器隐藏码向量的后验集合来进行变分推理。将聚集的后验与先验进行匹配，可确保从先验空间的任何部分生成有意义的样本。因此，对抗性自动编码器的解码器学习了一个深度生成模

2020-12-18 19:10:53 330

原创深度聚类算法综合

介绍 A Survey of Clustering With Deep Learning: From the Perspective of Network Architecture：聚类是许多数据驱动应用程序领域中的一个基本问题，集群的性能在很大程度上取决于数据表示的质量。因此，线性或非线性特征变换被广泛用于学习更好的聚类数据表示。近年来，大量的研究都集中在利用深度神经网络学习一种对聚类友好的表示，聚类性能得到了显著的提高。在本文中，我们从建筑学的角度对深度学习聚类进行了系统的研究。具体来说，为了更好的理

2020-11-26 21:43:47 2977

原创 pix2pix算法原理与实现

一、算法名称 Pix2pix算法(Image-to-Image Translation,图像翻译)来源于论文：Image-to-Image Translation with Conditional Adversarial Networks二、算法简要介绍、研究背景与意义2.1介绍图像处理、图形学和视觉中的许多问题都涉及到将输入图像转换为相应的输出图像。这些问题通常使用特定于应用程序的算法来处理，尽管设置总是相同的:将像素映射到像素。条件对抗性网(cGAN)是一种通用的解决方案，它似乎能很好地解决各

2020-11-26 21:25:43 18816 3

原创 Detecting Suspicious Objects With a Humanoid Robot Having a Metal Detector

Detecting Suspicious Objects With a Humanoid Robot Having a Metal Detector：保安机器人需要在机场，仓库，购物中心等场所巡逻，并找到并应对可疑人员。在这项研究中，我们旨在通过类人机器人实现巡逻任务。操作员使用具有金属探测器的人形机器人进行遥控操作，并将探测器摆动到与犯罪嫌疑人衣服表面短距离的位置，并检查衣服下面是否有隐藏的金属物体。为了开发该人体扫描系统，实验确定了取决于摆动速度的金属探测器的测量范围。基于此知识，在3种条件下进行了..

2020-11-26 21:08:39 141

原创互补学习&实例聚类实现WSOD

1、介绍 Weakly Supervised Object Detection Using Complementary Learning and Instance Clustering论文介绍:监督对象检测方案使用完全注释的训练数据，这是相当昂贵的。而弱监督对象检测（WSOD）仅使用图像级别的注释进行训练，这种注释更容易获取。 WSOD是一项具有挑战性的任务，因为它旨在学习使用图像级标签进行对象定位和检测。根据这一主张，在本文中，我们提出了基于判别特征学习的WSOD端到端框架。我们使用客观技术从图像中获取

2020-11-26 21:06:18 784

原创基于CSI数据实现Suspicious object detection

1、介绍 Detection of Suspicious Objects Concealed by Walking Pedestrians Using WiFi提出了一种基于WiFi信道状态信息（CSI）的无设备检测方法。通过分析不同材料引起的子载波幅度的不同变化，该方法能够检测出行人通过WiFi发送器和接收器的传输链路时隐藏的金属和液体等可疑物体。该方法利用卷积神经网络（CNN）对可疑目标进行分类，并利用多数投票对最终结果进行投票，以提高步行行人的检测精度。评价结果表明，该方法对行人隐蔽的金属和液体的检

2020-11-15 16:48:47 267

原创 K-Means实现无线感知，金属物品检测

1、介绍在Wi-Metal: Detecting Metal by Using Wireless Networks中利用CSI数据进行建模实现对不同金属物体的检测，适用于在公共场所的危险物品检测通道。2、主要技术 K-MeansEuclidean metric formula (Euclidean distance) as the similarity measure formula and use the sum of squared error formula (SSE) as a measure

2020-11-15 16:30:44 132

转载 torch.nn.LSTM()

import torchimport torch.nn as nnlstm = nn.LSTM(10, 20, 2)x = torch.randn(5, 3, 10)h0 = torch.randn(2, 3, 20)c0 = torch.randn(2, 3, 20)output, (hn, cn)=lstm(x, (h0, c0))>>output.shape torch.Size([5, 3, 20])hn.shape torch.Size([2, 3, 20])

2020-11-12 20:27:45 150

原创 torch.nn.LSTM()函数解析

参数列表:input_size 输入数据的特征维数，通常就是embedding_dim(词向量的维度)hidden_size　LSTM中隐层的维度num_layers　循环神经网络的层数bias　用不用偏置，default=Truebatch_first 这个要注意，通常我们输入的数据shape=(batch_size,seq_length,embedding_dim),而batch_first默认是False,所以我们的输入数据最好送进LSTM之前将batch_size与seq_length这两个维度调

2020-11-12 20:08:37 984

空空如也

空空如也