递归神经网络 在设计可以适应和学习模式的系统的过程中，我们将探索有关复杂的生物系统（例如人脑）如何工作的基本，基本，水平的理论。 我觉得这很迷人。 递归神经网络是一个包含反馈回路并可以存储过去信息的系统。 为了对长期依存关系进行建模（例如可以在自然语言处理中找到），这是必需的。 该程序将学习产生类似于使用C语言实现的LSTM网络进行过训练的文本。该回购协议的灵感来自Andrej Karpathys char-rnn ： : 但而是以C语言实现，以便在更受限的环境中使用。 建造 CMake的 这是在Windows上构建它的首选方法。 # Build using cmake mkdir build cd build cmake .. cmake --build . 介子 这可以在多个平台上运行，唯一的要求是Python3。 # Create virtual environment

可视化分析RNN的状态变化 有关LSTMVis，介绍视频以及实时演示链接的更多信息，请访问 还可以在或在线演示中查看我们关于序列到序列模型的新工作，为 V2.1中的更改 更新到Python 3.7 ++（感谢@nneophyt） V2的变化 新设计和服务器后端 隐藏状态轨道的离散缩放 添加了用于元数据和预测的注释轨道 为张量流添加了训练和提取工作流 客户端现在是ES6和D3v4 客户端的一些性能增强 添加了Keras教程（感谢Mohammadreza Ebrahimi） 安装 请使用python 3.7或更高版本来安装LSTMVis。 克隆存储库： git clone https://github.com/HendrikStrobelt/LSTMVis.git ; cd LSTMVis 使用安装python（服务器端）要求： python -m venv venv3 sour

口语数字识别 :studio_microphone: LSTM语音数字识别 内容 概述 语音数字识别是一个隔离的单词识别系统，可转录0-9之间的各个语音号码。 数据集 使用免费语音数字数据集（FSDD）来训练该模型，该模型具有来自3位讲英语且带有重音的扬声器的1,500张录音。 该模型接受了1,470张唱片的训练，并在30张唱片上进行了测试。 模型与训练 该模型包括： LSTM层 全连接层 损失函数：分类交叉熵 优化算法：亚当 模型在300个时代进行了训练。 改进和要添加的功能 数据集需要更多不同类型的发言人，包括不同性别和不同口音的人，以便该系统在世界范围内正常运行 模型本身可以改进 使用更好的培训/测试策略 具有使用自己的声音来测试模型的界面，使前端易于与模型进行交互 改善模型性能 基本上，这是我的实验，旨在了解如何构建仅检测语音数字的语音识别系统。 用法 python spoke_digit.py为了运行

本文是在自然语言处理上应用比较好的深度网络RNN，包含RNN的入门讲解、代码实现

TFCudnnLSTM TensorFlow的高效CudnnLSTM模块的简单模板 依存关系 TensorFlow v1.8 + CUDA v9.0 + cuDNN v7.0 + scikit学习 tqdm 计算性能 TensorFlow的性能指南包括 ，其中指出： 在NVIDIA GPU上，始终应首选使用tf.contrib.cudnn_rnn除非您需要不支持的图层归一化。 根据，与TensorFlow的其他LSTM实现相比， CudnnLSTM实现了显着的加速（比LSTMBlockFused快约2倍，比BasicLSTM快约5倍）。 语言建模实验 我们还采用并尝试运行在那里实现的三个LSTM版本： BasicLSTMCell ， LSTMBlockCell和CudnnLSTM 。 我们发现由于API的更改， CudnnLSTM示例无法在TF v1.8中运行，但是在解决了一些

文本分类模型 在Pytorch中实现最新的文本分类模型 实施模型 fastText：fastText模型， TextCNN：提出的用于文本分类的CNN TextRNN：用于文本分类的双向LSTM网络 RCNN：在提出的的RCNN模型的实现 CharCNN： 提出的字符级CNN的实现 带有注意力的Seq2seq ：，从注意实现seq2seq模型 变压器：提出的变压器模型的实现 要求 Python-3.5.0 熊猫0.23.4 Numpy-1.15.2 Spacy-2.0.13 Pytorch-0.4.1.post2 火炬文字-0.3.1 用法 将数据下载到“ data /”目录中或使

递归神经网络预测Google股票价格 我试图使用LSTM预测Google股票价格 长短期记忆（LSTM）单元（或块）是递归神经网络（RNN）层的构建单元。 由LSTM单元组成的RNN通常称为LSTM网络。 常见的LSTM单元由单元，输入门，输出门和忘记门组成。 该单元负责在任意时间间隔内“记住”值。 因此，LSTM中的“内存”一词。 就像多层（或前馈）神经网络中一样，这三个门中的每一个都可以被认为是“常规”人工神经元：也就是说，它们计算加权和的激活（使用激活函数）。 从直觉上讲，它们可以看作是通过LSTM连接的值流的调节器。 因此表示“门”。 这些门与单元之间存在连接。 更好的预测模型的结果是：

论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源

qtrader 资产组合管理的强化学习 为什么要进行强化学习？ 学习最佳行动，而不是为市场建模。 由于其在线培训，因此可以适应市场的暂时变化。 优化长期（累积）回报，而不是瞬时收益。 设置 由于typing s，因此与Python 3兼容 苹果系统 source scripts/setup.sh 文献资料 ： qtrader简介 ：现有方法的动机，利弊 ：相关资源清单 ：硕士论文 ：15分钟的项目演讲

Supervised Sequence Labelling with Recurrent Neural Networks,Supervised Sequence Labelling with Recurrent Neural Networks,Supervised Sequence Labelling with Recurrent Neural Networks,