lstm

在学了加油1 天前
人工智能·rnn·lstm
LSTM-糖尿病探索与预测1. 数据的“减法”哲学 (特征筛选) 在送入模型前，对数据进行“断舍离”至关重要。本周学习了如何使用Pandas的drop函数，果断剔除与预测目标无关（如“卡号”）或存在明显负相关的特征。这种“减法”可以有效减少网络学习过程中的噪音干扰，让模型把算力集中在真正重要的生理指标上。
遥感知识服务3 天前
rnn·gru·lstm
RNN、LSTM、GRU小白入门：Windows一键运行时间序列预测一句话读懂： 给模型过去36个时刻的数据，让它预测下一个时刻；分别使用RNN、LSTM和GRU训练，再用同一测试集比较预测曲线、RMSE、MAE和R²。本文不下载股票数据，不配置旧版TensorFlow，解压后双击脚本即可运行。
xx_xxxxx_3 天前
人工智能·pytorch·rnn·lstm
AI基本结构12-lstm实现nlp之前的深度循环神经网络CharRNNBatch虽然采用了两层 RNN，并引入了 LayerNorm 和 Dropout 提高训练稳定性，但其本质仍然是普通 RNN，因此仍然存在明显的短期记忆（Short-term Memory）问题，难以有效学习长距离依赖关系。
不懒不懒5 天前
深度学习·cnn·lstm
路面类型识别 — CNN-LSTM 完整流程：基于车辆振动数据的端到端深度学习本项目基于六分力传感器采集的车辆振动数据（x/y/z 三轴加速度），使用 CNN-LSTM 深度学习框架实现路面类型识别，能够准确区分沥青路面和湿滑路面。
海海不掉头发8 天前
pytorch·rnn·lstm
【PyTorch 实战】基于 RNN/LSTM/GRU 的全球人名国籍分类器（通俗拆解 + 逐行详解）】别慌，刚接触循环神经网络（RNN）和字符级 NLP 任务时，被各种张量维度（Tensor Shape）、隐藏状态（Hidden State）和 One-Hot 编码绕晕是非常正常的！
技术小黑9 天前
rnn·深度学习·lstm·tensorflow2
RNN算法实战系列04 | LSTM火灾温度预测本次任务若未安装 TensorFlow:pip install tensorflow若当前目录下没有该文件,会自动生成一份模拟火灾数据以保证流程可完整跑通;放上真实数据后无需改动代码。
m沐沐12 天前
人工智能·pytorch·深度学习·神经网络·lstm
【深度学习】深入理解长短期记忆网络 LSTMLSTM 网络，全称为长短期记忆网络（Long Short‑Term Memory），是循环神经网络（RNN）的一种经典变体。它的大部分基础架构与标准 RNN 一致，但通过重新设计隐状态 h 的更新方式，有效缓解了传统 RNN 在处理长序列时容易出现的梯度弥散或梯度激增问题。LSTM 的核心创新在于引入了带自循环的“细胞状态”通道，使得信息能够在时间步之间选择性地持续传递或被舍弃，从而具备捕捉远距离时序依赖关系的能力。
Tbisnic16 天前
人工智能·python·rnn·gru·大模型·llm·lstm
26.AI大模型：RNN、LSTM、GRU在自然语言处理、时序预测、语音识别领域，序列依赖是绕不开的核心问题。普通全连接网络、CNN 只能处理固定长度、无先后关联的数据，无法感知文本语序、时间先后带来的语义变化。 而 RNN 及其衍生变体 LSTM、GRU，通过内置记忆传递机制，专门建模有序序列的上下文关联。本文从零拆解整套体系，无 PPT 原图、无工程代码，纯原理 + 逻辑梳理，新手也能建立完整知识框架。
专注于ai算法的踩坑小达人17 天前
算法·lstm
时序预测主流模型综述1. 研究概述2. 时序模型整体发展脉络3. 传统统计时序模型4. 机器学习时序模型5. 经典深度学习时序模型
机器学习之心18 天前
回归·cnn·lstm
基于GA-CNN-LSTM的多输出回归预测与SHAP可解释性分析当深度学习遇上群体智能优化，当"黑箱模型"遇上博弈论解释——一次从模型优化到特征溯源的完整技术实践。在工程实践中，回归预测任务普遍面临三大核心挑战：模型结构选择困难、多输出耦合复杂、以及模型可解释性缺失。
技术小黑22 天前
人工智能·pytorch·rnn·深度学习·lstm
RNN算法实战系列02 | 医疗成本预测（LSTM 回归）基于患者的人口统计信息、生活习惯、医疗状况、医疗保险等 19 个特征，预测其年度医疗费用（annual_medical_cost），这是一个典型的回归任务。
dozenyaoyida23 天前
人工智能·stm32·lstm
LSTM 自编码器原理详解：从三门结构到 STM32 端侧异常检测落地产线上几十台电机日夜转着。某天一台轴承开始磨损，振动波形悄悄变了样，变化很细微，人眼盯示波器根本看不过来。等它彻底抱轴停机，一小时停产损失就是几万块。
Mister Leon1 个月前
cnn·音视频·lstm
视频时序数据处理：CNN+LSTM视频由空间维度（单帧图像） + 时间维度（帧间时序变化） 两部分信息构成：1. 特征解耦，分工明确CNN 专攻空间视觉，LSTM 专攻时序运动，相比 3D 卷积（C3D/R3D）更轻量化：
大鱼>1 个月前
人工智能·python·机器学习·lstm
模型可解释性：特征重要性/SHAP/LIME
仙女修炼史1 个月前
lstm
理解PatchTST: A TIMESERIES ISWORTH64 WORDS:LONG-TERMFORECASTING WITHTRANSFORMERSmoving_avg低频趋势提取器这个模块不建模负责的关系，不引入参数，而是去噪，平滑，强化趋势，抑制高频波动，具体步骤如下：
大鱼>1 个月前
python·机器学习·lstm
时间序列预测：ARIMA/LSTM/Prophet 实战
机器学习之心2 个月前
算法·cnn·lstm·小龙虾优化算法·cnn-lstm多输出回归·shap可解释性分析
小龙虾优化算法（COA）驱动的CNN-LSTM多输出回归模型及其SHAP可解释性分析作者：机器学习之心 关键词：小龙虾优化算法、CNN-LSTM、SHAP分析、多输出回归、超参数优化、混沌映射 适用领域：工业预测、金融时序预测、多变量回归建模、可解释AI
机器学习之心2 个月前
回归·lstm·transformer·扩散模型
扩散模型数据增强 + Transformer-LSTM 回归预测：小样本场景下的工业级解决方案摘要：在小样本回归任务中，数据稀缺往往是制约模型性能的核心瓶颈。本文将扩散模型（Diffusion Model）作为数据生成引擎与 Transformer-LSTM 深度回归网络深度融合，构建了一套端到端的小样本增强预测框架。实验结果表明，经扩散模型数据增强后，Transformer-LSTM 回归模型在测试集上取得了 MAE = 1.0122、RMSE = 1.2945、R² = 0.9007 的优异性能，充分验证了该技术路线在工业小样本场景中的实用价值。
XGeFei2 个月前
算法·随机森林·lstm
时序算法 —— LSTM、ARIMA、随机森林按照时间组成的序列机器学习模型：AR、MA、ARMA、ARIMA 神经网路模型：LSTM可以直接调statsmodels包，使用ARIMA时序模型