rnn

CCPC不拿奖不改名

循环神经网络RNN:整数索引→稠密向量（嵌入层 / Embedding）详解整数索引（如[4,5,6,7]）虽然是数值，但存在两个致命问题，无法直接输入 RNN：离散且无语义：索引的数值大小无意义（如索引 7>4 不代表 “苹果” 比 “我” 重要），也无法体现 Token 间的语义关联（如 “苹果” 和 “香蕉” 的索引无任何关联）；

【Datawhale学习笔记】动手学RNN及LSTM为了与后续的代码实现保持一致，此处采用一个不含偏置项（bias）的简化版 RNN，核心计算公式如下：h t = tanh ⁡ ( U x t + W h t − 1 ) h_t = \tanh(U x_t + W h_{t-1}) ht=tanh(Uxt+Wht−1)

CCPC不拿奖不改名

“Token→整数索引” 的完整实现步骤这一步的核心是构建词汇表（Vocabulary/Vocab），再通过词汇表完成 Token 到索引的映射。整个流程分为 4 步，我们结合具体文本例子讲解。

【人工智能引论期末复习】第6章深度学习4 - RNNRNN全称：循环神经网络（Recurrent Neural Network）RNN的主要特点：具有记忆能力，能处理序列数据

基于改进的SABL Cascade RNN的安全装备检测系统：手套护目镜安全帽防护服安全鞋识别与实现_r101_fpn_1x_coco_1worker_safety数据集是一个专注于工人安全装备检测的计算机视觉数据集，该数据集于2024年10月8日创建，采用CC BY 4.0许可证授权。数据集包含1749张图像，所有图像均已进行预处理，包括自动调整像素数据方向（剥离EXIF方向信息）和拉伸至640×640像素尺寸。数据集采用YOLOv8格式进行标注，共包含5个类别：手套(gloves)、护目镜(googles)、安全帽(hardhat)、防护服(jacket)和安全鞋(shoes)。数据集分为训练集、验证集和测试集三部分，适用于目标检测模型

All The Way North-

RNN基本介绍循环神经网络（RNN）入门介绍循环神经网络（Recurrent Neural Network，简称 RNN）是一类专门用于处理序列数据的神经网络。与传统的前馈神经网络（Feedforward Neural Network）不同，RNN 具有“记忆”能力，可以利用之前的信息来影响当前的输出。

⭐ 深度学习入门体系（第 15 篇）: 从 RNN 到 LSTM：为什么深度网络需要“记忆能力”？卷积网络（CNN）擅长处理图片， Transformer 擅长处理大规模序列，但在它们崛起之前，序列建模的老大哥其实是 RNN/LSTM。

RNN（循环神经网络）在 Word2Vec 部分我们聊过，Word2Vec 是“词袋思想”，完全忽略词的顺序——“我爱吃苹果”和“苹果吃爱我”的 Word2Vec 向量组合没有区别，这显然不符合语言逻辑。

从记忆到创作：LSTM如何赋能智能小说生成> **摘要**：本文将深入探讨LSTM在小说创作领域的创新应用，从原理解析到实战代码，为您展示如何利用这一强大的时序模型开启AI写作新时代。

【基于循环神经网络（RNN/LSTM/GRU）算法做电池剩余寿命的思路和代码示例】下面给你一个**“基于循环神经网络（RNN/LSTM/GRU）做电池剩余寿命（RUL）预测”的可直接跑的代码示例**（PyTorch 版），包含：数据→滑动窗口→RNN 模型→训练→评估→推理。你把自己的电池序列特征（电压/电流/温度/容量等）塞进去就能用。

大模型面试题42：从小白视角递进讲解大模型训练的重计算重计算是大模型训练的核心内存优化技术，本质是以时间换空间的策略。我们从「为什么需要它」到「核心特性」再到「进阶玩法」，一步步讲清楚。

基于PyTorch的深度学习基础课程之十三：循环神经网络循环神经网络（RNN）是一种用于处理序列数据的深度学习模型，通过隐层状态的反馈机制实现对序列特征的记忆和学习。RNN可应用于序列回归、分类和标注任务，如股价预测、文本分类等场景，其核心优势在于能够捕捉序列数据中的时序依赖关系。本文详细讨论了RNN的基本结构以及LSTM的结构，以及如何使用它们来构建循环神经网络，并给出了简要的应用示例。RNN也是理解目前应用最为广泛的Transformer模型（下文将讨论）的基础。

智能体在车联网中的应用：第41天车联网轨迹预测核心技术：从Social-LSTM到VectorNet的演进与深度解析在自动驾驶与车联网（V2X）构成的复杂交通生态中，准确预测周边车辆、行人等交通参与者的未来轨迹，是确保行车安全、实现高效协同决策的基石。轨迹预测不仅需要理解单个目标的运动规律，更需要建模目标之间以及目标与环境之间的复杂交互。这是一个典型的时空序列预测问题，充满了不确定性和动态性。

声声codeGrandMaster

RNN模型文本训练与推理这一篇文章, 就是对上一篇文章内容进行补充, 上一次我们还遗留着模型训练与文本推理的内容, 我们在这一篇文章里面都会讲到。

INT305 Machine Learning 机器学习 Pt.11 循环神经网络（RNN，Recurrent Neural Network）我们之前提到过神经网络，而且别的课程中也对神经网络进行了系统的学习。我们再回顾一下一些著名的神经网络模型。

MATLAB全流程对比RNN/LSTM/GRU时间序列预测性能在大数据与人工智能时代，时间序列预测已成为金融风控、能源调度、气象预报等领域的核心技术支撑。从股票价格波动到电力负荷峰值预测，从气温变化趋势到设备故障预警，精准的时间序列预测能为决策提供关键依据。而在众多预测模型中，循环神经网络（RNN）及其改进模型长短期记忆网络（LSTM）、门控循环单元（GRU）凭借对时序依赖关系的捕捉能力，成为该领域的主流选择。但问题来了：同样是处理时间序列数据，RNN、LSTM、GRU到底该怎么选？它们的预测精度、训练效率、适用场景有何差异？不少开发者和研究者在实际项目中都会陷入

大模型面试题36：Transformer中的残差连接处理方式与作用我们用 “抄近路保留原始信息” 的生活化比喻讲透核心逻辑，再逐步拆解它在Transformer中的具体处理流程、数学原理和关键作用。

大模型面试题29：稀疏注意力是什么？想象你在一个有10000人的大派对上，你需要和每个人握手、聊天，才能了解整个派对的情况。这就像 Transformer 的原始注意力机制：

大模型面试题30：Padding 的 mask 操作想象你在学校交作业，老师要求每个人都交 5 页纸。在深度学习里：回到交作业的例子：在模型里：mask 操作就像给老师一个**“忽略清单”**：

大模型面试题33：Transformer为什么用LayerNorm，而非BatchNorm？我们先从 “归一化的目标”和“数据的特点” 两个生活化角度讲透核心区别，再逐步深入技术细节，结合Transformer的场景分析原因。