rnn

子非鱼9218 小时前
人工智能·rnn·深度学习
3 传统序列模型——RNN虽然词向量能够表示词语的语义，但它本身并不包含词语之间的顺序信息。为了解决这一问题，研究者提出RNN（Recurrent Neural Network，循环神经网络）。
像风一样自由202011 小时前
人工智能·rnn·lstm
LSTM-KNN融合模型：让AI既有记忆又会“查字典“假设你是一位股票交易员，每天早上醒来要预测今天的股价走势。你会怎么做？方法一：看趋势 你翻开过去三个月的K线图，发现"每次跌破20日均线后，通常会反弹"，这就是记忆规律。
田里的水稻14 小时前
人工智能·rnn·深度学习
DL_端到端_基于卷积循环神经网络的(CRNN)车牌号识别基于卷积神经网络（CNN）的车牌号识别（License Plate Recognition, LPR）是计算机视觉和智能交通系统中的一个典型应用。它通常包括以下几个主要步骤：
fantasy_arch3 天前
人工智能·rnn·lstm
LSTM和DenseNet区别t是深度学习中两种重要但设计哲学完全不同的神经网络架构，核心区别可以总结为：LSTM是用于处理序列数据的循环网络，核心是 时间上的记忆传递，而DenseNet是用于处理空间数据的前馈网络，核心是深度上的特征复用。
田里的水稻3 天前
rnn·神经网络·cnn
DL_神经网络在MLP、CNN和RNN(LSTM)之后(至2025)的发展神经网络发展演变列表如下，具体细节如下展开所述：总结：LSTM之后的演进主线这场演进的本质是：从LSTM的“记忆”开始，我们逐步赋予机器注意力、创造力、跨模态理解力、高效推理力——而这一切，仍在加速演进中。
东皇太星4 天前
人工智能·rnn·深度学习·神经网络
Transformers Tokenizer 使用详解通过掌握这些用法，你可以高效地使用 Transformers 的 Tokenizer 处理各种 NLP 任务。
极客BIM工作室5 天前
rnn·lstm·transformer
序列建模：RNN、LSTM 与 Transformer 的技术异同深度解析序列建模是自然语言处理（NLP）、语音识别、时序预测等领域的核心任务，其核心目标是捕捉数据中的 “时序依赖” 与 “全局关联”。循环神经网络（RNN）作为早期主流架构，奠定了序列建模的基础，但受限于梯度消失 / 爆炸问题；长短期记忆网络（LSTM）通过门控机制突破了这一局限，成为中长期序列建模的标杆；而 Transformer 凭借自注意力机制颠覆了传统时序依赖的建模方式，以并行计算能力和全局关联捕捉能力成为当前主流架构。本文将从结构设计、核心特性、性能表现、适用场景四大维度，系统对比三者的异同，剖析技术
deepdata_cn5 天前
rnn·算法·lstm
时序性步态数据处理的RNN及LSTM算法步态数据是通过传感器（如惯性测量单元IMU、压力传感鞋垫、运动捕捉系统）采集的人体行走过程中的多维数据，核心参数包括关节角度（髋、膝、踝）、肢体加速度、地面反作用力、足底压力分布等。其最显著的特征是时序连续性——一个完整步态周期（从一侧足跟着地到同侧再次着地）可分为支撑相（约占60%）和摆动相（约占40%），各阶段的参数变化呈现严格的时间先后依赖关系，且相邻步态周期之间存在规律性的重复与变异。 传统数据处理方法（如统计特征提取、隐马尔可夫模型）虽能捕捉部分时序规律，但难以处理长序列中复杂的非线性依赖关系。
木头左5 天前
人工智能·rnn·lstm
门控注意力单元与LSTM细胞状态更新的协同机制本技术方案通过在传统LSTM（Long Short-Term Memory）网络中植入门控注意力单元（Gated Attention Unit），构建具备动态特征权重分配能力的量化交易策略模型。该架构的核心价值在于解决传统LSTM在处理高频时序数据时存在的长程依赖建模不足问题，同时通过注意力机制增强关键时间步特征的提取能力。具体而言，系统通过以下三个层次实现技术突破：
fantasy_arch6 天前
网络·人工智能·rnn
RNN和残差网络模型的差异残差网络ResNet和循环神经网络RNN是两种完全不同结构的神经网络，设计目标，应用场景和工作原理均有本质差异。
玖日大大6 天前
人工智能·rnn·lstm
LSTM 深度解析：原理、实现与实战应用在深度学习的发展历程中，循环神经网络（Recurrent Neural Network, RNN）曾被寄予厚望，它通过引入循环结构，理论上能够捕捉序列数据中的时序依赖关系，为自然语言处理、时间序列预测等领域提供了新的解决方案。然而，传统 RNN 在实际应用中面临着严峻的挑战 —— 梯度消失（Vanishing Gradient）和梯度爆炸（Exploding Gradient）问题。当处理长序列数据时，梯度在反向传播过程中会急剧衰减或无限增大，导致模型无法学习到长期依赖关系，训练效果大打折扣。
代码小白的成长7 天前
人工智能·rnn·lstm
Windows： 调试基于千万短视频预训练的视频分类模型（videotag_tsn_lstm）2. 下载安装paddlepaddle和paddlehub
我爱鸢尾花7 天前
人工智能·python·rnn·深度学习·神经网络·算法
RNN公式推导、案例实现及Python实现在学习RNN公式推导时，在B站看到了这个视频，分别讲解了RNN前向传播和反向传播的推导公式，很清洗。结合实例，简化一下过程
倔强的石头1067 天前
人工智能·rnn·深度学习
循环神经网络（RNN）：从序列数据难题到实战落地的完整指南要理解RNN的价值，首先要认清传统神经网络在处理序列数据时的“致命短板”。传统模型（如全连接网络、CNN）处理数据时，默认**“每个样本独立无关”**。比如用CNN识别一张猫的图片，无需考虑上一张图片的内容；用全连接网络预测房屋价格，只需分析当前房屋的面积、地段等特征。但面对序列数据，这种“无记忆”特性完全失效：
_codemonster7 天前
pytorch·rnn·深度学习
深度学习实战（基于pytroch）系列（三十六）循环神经网络的pytorch简洁实现上一节我们已经从零开始实现了循环神经网络，本节将使用PyTorch来更简洁地实现基于循环神经网络的语言模型。首先，我们读取周杰伦专辑歌词数据集。这一步和上节的代码基本一致。
_codemonster8 天前
pytorch·rnn·深度学习
深度学习实战（基于pytroch）系列（四十三）深度循环神经网络pytorch实现前述的循环神经网络仅包含单向单隐藏层，在实际深度学习应用中，我们通常使用含多个隐藏层的循环神经网络，称为深度循环神经网络。图6.11展示了一个具有L个隐藏层的深度循环神经网络架构，其中每个隐藏状态同时向两个方向传递：
_codemonster8 天前
pytorch·rnn·深度学习
深度学习实战（基于pytroch）系列（四十二）双向循环神经网络pytorch实现传统循环神经网络假设当前时间步的状态仅由历史信息决定，信息单向从前往后传递。然而在实际应用中，当前时间步可能受到未来信息的影响。例如，在自然语言处理中，理解一个词的含义往往需要结合其上下文信息。双向循环神经网络通过引入反向传播路径，能够同时利用过去和未来的上下文信息。
qq_17082750 CNC注塑机数采8 天前
python·rnn·神经网络·机器学习·gru·tensorflow·tcn
【Python TensorFlow】 TCN-GRU时间序列卷积门控循环神经网络时序预测算法（附代码）资源下载：https://download.csdn.net/download/vvoennvv/92418412
vvoennvv9 天前
python·rnn·神经网络·机器学习·gru·tensorflow·tcn
【Python TensorFlow】 TCN-GRU时间序列卷积门控循环神经网络时序预测算法（附代码）资源下载：https://download.csdn.net/download/vvoennvv/92418412
海边夕阳200611 天前
人工智能·经验分享·rnn·深度学习·神经网络·机器学习
【每天一个AI小知识】：什么是循环神经网络？目录🎯开篇：传声筒的秘密📚核心概念：让机器拥有"记忆"2.1 什么是循环神经网络？2.2 RNN的基本结构