rnn

裤裤兔1 天前
人工智能·rnn·神经网络·分类·cnn·医学图像处理
CNN和RNN结合提升分类效果首先利用3D CNN 对MRI进行分类操作数据:AD:73例 CN:102例 MRI-T1像 T1像便于显示解剖结构(T2像擅长显示病灶) 预处理:去除脑外(参数0.3) 网络结构: 共10层,包含 4个卷积层 4个池化层 2个全连接层
范桂飓1 天前
人工智能·rnn·lstm
人工智能发展史 — RNN/LSTM/GRU/Transformer 序列模型发展历程在 AI 领域，文本翻译、语音识别、股价预测等场景都离不开序列模型和序列数据处理。序列是数据点或事件的有序列表。与独立的图像或表格数据不同，序列数据中的元素具有内在的顺序和时间依赖性。 典型的例子包括：自然语言文本、语音、视频、股票价格、天气读数或传感器数据等。
xixixi777772 天前
人工智能·rnn·学习·架构·cnn·ocr·图像识别
CRNN（CNN + RNN + CTC）：OCR识别的经典之作想象一个自动识别车牌的工厂流水线：过程分解：CNN（视觉质检员）：先看整体车牌，找出“哪里是字、哪里是背景”
byzh_rc4 天前
人工智能·python·rnn·深度学习·神经网络·机器学习
[认知计算] 循环神经网络知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039
人工智能培训4 天前
人工智能·rnn·深度学习·大模型·具身智能·大模型学习·大模型工程师
循环神经网络讲解（2）#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书
子非鱼9215 天前
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20205 天前
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5 天前
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_arch7 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7 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8 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9 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_cn9 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9 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_arch10 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10 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11 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11 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10611 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：
_codemonster12 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。