rnn标签_松山湖开发者村综合服务平台

rnn

深度学习：CNN 与 RNN——解锁多模态处理能力

深度学习从模拟生物神经网络出发，已发展出能处理复杂任务的CNN和RNN模型。CNN通过卷积和池化操作高效处理图像空间特征，广泛应用于图像分类、目标检测等视觉任务。RNN则擅长处理序列数据，通过记忆机制捕捉时间依赖关系，在语音识别、机器翻译等任务中表现优异。两者共同构成了深度学习在多模态数据处理中的核心技术基础，为生成式大模型的发展铺平了道路。本文系统梳理了深度学习的发展脉络、核心原理及典型应用，为

 郝学胜-神的一滴
2026-03-08 16:52:27

 3197

 106

#深度学习 #cnn #rnn +3
LSTM详细介绍（基于股票收盘价预测场景）

本文详细介绍了LSTM（长短期记忆网络）在股票收盘价预测中的应用。LSTM通过门控机制（遗忘门、输入门、输出门）和细胞状态解决了传统RNN的梯度消失问题，能有效捕捉时序数据的长期依赖关系。在股票预测场景中，输入为前10天收盘价（单特征或多特征），输出第11天预测值。文章详细拆解了LSTM的内部结构，包括各门控的运算公式和维度变换，并解释了其在股票数据中的实际应用逻辑。LSTM通过线性更新的细胞状态

 Jiede1
2026-02-01 13:58:42

 1143

 18

#lstm #人工智能 #rnn
从RNN到Transformer：LSTM模型的发展脉络与衍生演进

本文系统梳理了长短期记忆网络(LSTM)的发展脉络。作为RNN的改进模型，LSTM通过门控机制解决了梯度消失问题，成为处理长序列数据的里程碑。文章分析了LSTM的核心创新、优势及其变体(如GRU、Bi-LSTM)，并对比了CNN/TCN和Transformer等新兴时序模型的特性。尽管Transformer在并行计算和长距离依赖方面表现优异，LSTM在小数据、低算力场景仍具优势。未来LSTM将向轻

 黑客思维者
2026-01-22 19:54:17

 1113

 49

#rnn #transformer #lstm
从零到一：用LSTM实现时间序列预测的完整指南

LSTM气温预测实战指南：从理论到实现本文介绍了使用长短期记忆网络(LSTM)进行气温预测的完整流程。LSTM凭借其独特的门控机制，能够有效捕捉时间序列中的长期依赖关系，克服了传统ARIMA模型在非线性预测中的局限。文章包含四个核心部分：理论解析：对比RNN与LSTM结构，解释遗忘门、输入门和输出门的工作原理环境搭建：提供Python虚拟环境和必要库的安装指南数据预处理：演示时间序列数据

 黑客思维者
2026-01-20 15:32:12

 2142

 62

#lstm #人工智能 #rnn
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。

2301_81152266
2026-01-03 09:15:00

 2072

 76

#rnn #matlab #lstm
机器是如何理解语义的？：循环神经网络（RNN）

循环神经网络（Recurrent Neural Network, RNN）是一类专门针对**序列数据（文本、语音、时间序列等）设计的深度学习模型。其核心创新在于引入隐藏状态（Hidden State）** ，使它能够“记忆”序列历史信息并传递到当前决策，从而天然捕捉数据中的时序依赖关系，这是传统神经网络（MLP）和卷积神经网络（CNN）无法高效实现的核心功能。

V1ncent Chen
2025-12-15 16:11:49

 886

 28

#rnn #人工智能 #深度学习
【自然语言处理】应用02：情感分析：使用循环神经网络

本文讲解用预训练GloVe词向量和双向循环神经网络进行情感分析。构建BiRNN模型，加载预训练词向量且不更新，训练后定义预测函数，并对简单句子进行情感预测。

Francek Chen
2025-12-18 09:00:00

 1815

 76

#自然语言处理 #rnn #人工智能 +3
PyTorch2 Python深度学习 - 循环神经网络（RNN）实例

PyTorch2 Python深度学习 - 循环神经网络（RNN）实例

 java1234_小锋
2025-11-04 07:47:53

 459

 4

#深度学习 #python #rnn
TensorFlow2 Python深度学习 - 循环神经网络（LSTM）示例

TensorFlow2 Python深度学习 - 循环神经网络（LSTM）示例

 java1234_小锋
2025-10-18 09:25:00

 1010

 8

#python #深度学习 #rnn
深度学习篇GRU---LSTM和RNN的折中方案

GRU（门控循环单元）是LSTM的轻量化版本，通过简化结构（仅保留更新门和重置门，合并隐藏状态与细胞状态）解决RNN的长期记忆问题。类比为"智能旅行背包"，GRU能高效筛选关键信息（如"我上周去北京"）而忽略冗余内容（如"了"）。相比LSTM的3门2状态结构，GRU计算量减少约1/3，在实时语音转写、短视频字幕生成等对速度敏感的中短序列任

 hzp666
2025-09-18 15:15:27

 914

 17

#lstm #人工智能 #rnn
LSTM 深度解析：从门控机制到实际应用

在深度学习领域，循环神经网络 (RNN) 是处理序列数据的强大工具，但传统 RNN 在处理长序列时面临两个主要挑战：短时记忆和梯度消失 / 爆炸问题。当序列长度增加时，RNN 很难捕捉到序列中相隔较远的信息之间的依赖关系，这种现象被称为 "记忆健忘症"。同时，在反向传播过程中，梯度会随着时间步的推移而逐渐消失或爆炸，导致模型难以学习到长期依赖关系。LSTM（Long Short-Term

2401_88885149
2025-09-14 21:20:11

 1201

 49

#lstm #人工智能 #rnn
pytorch深度学习—RNN-循环神经网络

菜鸡一枚，仅学习记录

 羡鱼饼饼
2025-07-12 22:04:19

 1258

 7

#深度学习 #pytorch #rnn
RNN中张量参数的含义与应用

RNN在NLP处理中常用三维张量输入，维度包含批处理大小(batch_size)、序列长度(seq_len)和特征维度(input_size)。典型输入形状为(seq_len,batch_size,input_size)，输出为(seq_len,batch_size,hidden_size)。设置batch_first=True可将输入调整为(batch_size,seq_len,features

_sias
2025-06-30 19:58:42

 940

 6

#自然语言处理 #rnn #人工智能
循环神经网络的概念和案例

本文介绍了循环神经网络的概念和案例<(￣︶￣)↗[GO!]

凯凯凯凯凯凯凯凯凯
2025-06-29 21:48:30

 1621

 32

#rnn #人工智能 #深度学习
第三章卷积神经网络

卷积神经网络（CNN）是计算机视觉的核心架构，本章系统介绍了CNN的基础原理和典型结构。首先阐述了卷积的数学定义与变种（包括一维/二维卷积、互相关、转置卷积和空洞卷积），以及步长、填充等关键参数。其次详细解析了CNN的核心组件（卷积层和池化层）及其参数学习机制。最后重点介绍了经典CNN模型的发展历程，包括开创性的LeNet-5、引入ReLU和Dropout的AlexNet、多尺度并行的Incept

&Xiao
2025-06-22 10:20:12

 2178

 34

#cnn #人工智能 #神经网络 +4
【从神经网络到Transformer及NLP大模型的初步理解】

本文旨在对神经网络基础概念进行介绍，然后对NLP领域的发展脉络继续粗述，包括对当前大模型基础的Transfomer结构的由来、发展及原理进行简单说明，让大家对神经网络（深度学习）和当前的大模型以及涉及的预训练、微调等概念有个基本认识，其中涉及的数据学推理等并不作为本文说明的重点，大家有兴趣可以自行研究。（PS：其中涉及一些的对NLP模型的理解，大家见仁见智）

coder_zrx
2025-05-06 17:43:26

 1656

 10

#人工智能 #神经网络 #cnn +4
【现代深度学习技术】现代循环神经网络07：序列到序列学习（seq2seq）

本文讲解现代循环神经网络中的序列到序列学习。seq2seq模型采用RNN编码器将变长序列编码为隐状态，解码器基于隐状态逐步生成输出。训练时使用遮蔽损失忽略填充词元，BLEU评估翻译质量。应用于机器翻译，通过教师强制策略训练，预测时逐词生成并用注意力机制优化结果。

Francek Chen
2025-05-05 10:24:21

 2379

 75

#深度学习 #rnn #神经网络 +2
循环神经网络RNN---LSTM

RNN：在每个时间步，接收当前输入和上一时刻的隐藏状态，通过激活函数计算当前隐藏状态和输出，信息传递较为直接，但容易出现梯度消失或爆炸问题，导致长序列信息难以有效传递和利用。LSTM：在每个时间步，输入门决定当前输入信息有多少要存入细胞状态，遗忘门控制细胞状态中需要遗忘的信息，输出门根据细胞状态和当前隐藏状态决定输出内容。这种机制使得 LSTM 能够选择性地记忆和遗忘信息，更有效地处理长序列中的关

 ycy200377
2025-04-26 13:26:13

 1092

 18

#rnn #人工智能 #深度学习
【现代深度学习技术】循环神经网络07：通过时间反向传播

本文讲解循环神经网络的通过时间反向传播。RNN梯度分析及BPTT是理解其原理的关键，通过深入分析RNN的梯度计算过程，我们可以更好地理解梯度爆炸和梯度消失的问题，BPTT可有效训练RNN捕捉序列依赖。

Francek Chen
2025-04-28 09:43:20

 1824

 85

#深度学习 #rnn #神经网络 +2
机器学习06-RNN

RNN 及其变体在序列建模领域具有重要的地位和广泛的应用。尽管存在一些训练难点和局限性，但通过不断的研究和改进，如优化训练算法、设计更有效的网络结构等，RNN 的性能和适用范围得到了不断提升。随着深度学习技术的不断发展，相信 RNN 将在更多领域发挥更大的作用，并与其他技术相结合，为解决复杂的序列问题提供更强大的工具。

2301_81230251
2025-04-22 23:08:37

 1307

 16

#机器学习 #rnn #人工智能
【现代深度学习技术】循环神经网络05：循环神经网络的从零开始实现

本文讲解循环神经网络的从零开始实现。基于《时间机器》数据集，从零实现字符级循环神经网络语言模型。涵盖独热编码、参数初始化、RNN前向传播、梯度截断及训练过程。通过顺序和随机采样策略，演示模型训练与文本生成，使用困惑度评估性能，对比不同方法的收敛效果。

Francek Chen
2025-04-21 09:47:39

 2095

 89

#深度学习 #rnn #神经网络 +2
【现代深度学习技术】循环神经网络04：循环神经网络

本文讲解现代深度学习技术的循环神经网络。RNN通过隐状态捕获序列历史信息，避免传统n元语法参数指数增长问题。其隐状态由当前输入和前步状态计算，用于语言模型等任务，困惑度衡量预测质量，值越低模型越优。

Francek Chen
2025-04-19 09:29:48

 2193

 85

#深度学习 #rnn #神经网络 +2
循环神经网络 - 长短期记忆网络

LSTM 的门控机制利用三个门（遗忘门、输入门和输出门）对细胞状态进行动态控制，通过简单但关键的激活函数在每个时间步对信息进行筛选、更新和输出。这样不仅能有效保留和利用长程依赖，还能动态响应新输入，使得网络在面对序列任务时能够稳定学习复杂非线性关系。即使激活函数本身简单，但通过层级组合、参数学习和门控设计，其整体非线性表达能力非常强大，足以处理现实世界中复杂的信息流动与语义关联。

谦亨有终
2025-04-10 16:51:05

 1572

 31

#rnn #人工智能 #深度学习 +3
Pytorch 第十一回：循环神经网络——RNN模型

本次开启深度学习第十一回，基于Pytorch的RNN循环神经网络模型。前面我们已经分享过线性神经网络、多层神经网络和卷积神经网络。接下来，开始学习循环神经网络。本回分享的第一个循环神经网络，叫做RNN模型。在本回中，设计通过RNN模型来对股票收盘价格进行预测。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，p

zhuwenlong130130
2025-03-23 21:00:00

 6864

 72

#pytorch #rnn #python +2
深度学习项目--基于LSTM--MLP的糖尿病预测探究(pytorch实现)

模型一直是一个很经典的模型，一般用于序列数据预测，这个可以很好的挖掘数据上下文信息，

W@Y…
2025-01-24 16:40:03

 2205

 19

#深度学习 #lstm #人工智能 +4
深度学习项目--基于LSTM的火灾预测研究(pytorch实现)

时间是每隔固定时间收集的，故有用特征为：温度、CO、Soot。rmse、r2都不错，但是拟合度还可以再提高。

W@Y…
2025-01-17 22:00:17

 3516

 52

#深度学习 #lstm #pytorch +4
NLP三大特征抽取器（CNN/RNN/TF）

RNN已经基本完成它的历史使命，将来会逐步退出历史舞台；CNN如果改造得当，将来还是有希望有自己在NLP领域的一席之地；而Transformer明显会很快成为NLP里担当大任的最主流的特征抽取器。NLP任务的特点：输入是个一维线性序列；输入不定长；单词或句子的位置关系很重要；句子中长距离特征对于语义理解也很重要。。

SQingL
2025-01-06 09:42:13

 1517

 8

#自然语言处理 #cnn #rnn
基于 RNN(GRU, LSTM)+CNN 的红点位置检测（pytorch）

本项目旨在通过深度学习技术精确识别并输出图片中三条红线的像素位置。我们对比了多种模型结构，包括纯RNN、CNN+RNN和RNN+CNN，并在RNN中引入多头注意力机制、CNN中引入SEAttention以提升性能。实验结果显示，RNN+CNN模型在精确度和性能上表现最佳，有效地识别了红线位置，为图像识别领域提供了一种新的解决方案。

铖铖的花嫁
2024-12-03 17:58:35

 1672

 27

#rnn #gru #lstm +3
8. 循环神经网络

高级API提供了循环神经网络的实现。我们构造一个具有256个隐藏单元的单隐藏层的循环神经网络层rnn_layer。事实上，我们还没有讨论多层循环神经网络的意义（这将在 9.3节中介绍）。现在仅需要将多层理解为一层循环神经网络的输出被用作下一层循环神经网络的输入就足够了。# 输入维度，隐藏层（注意不是输出层）维度我们使用张量来初始化隐状态，它的形状是**（隐藏层数，批量大小，隐藏单元数）**。（注意

 Cc1924
2024-12-01 17:50:15

 1749

 17

#rnn #人工智能 #深度学习
深度学习：LSTM循环神经网络实现评论情感分析

LSTM循环神经网络实现评论情感分析

 吃什么芹菜卷
2024-10-16 21:59:41

 2943

 48

#深度学习 #rnn #人工智能 +1
循环神经网络-RNN

因为传统神经网络无法训练出具有顺序的数据且模型搭建时没有考虑数据上下之间的关系。所以我们提出了循环神经网络。循环神经网络（Recurrent Neural Network,RNN）是一种用于处理序列数据的神经网络架构。与传统神经网络（Feedforward Neural Network, FNN）不同，RNN能够在处理序列输入时具有记忆性，可以保留之前输入的信息并继续作为后续输入的一部分进行计算。

红米煮粥
2024-10-08 21:09:30

 1819

 32

#rnn #人工智能 #深度学习
深入解析循环神经网络（RNN）

循环神经网络（RNN）是处理序列数据的一种强大工具，广泛应用于自然语言处理、时间序列预测等领域。本文将深入探讨 RNN的优势、使用场景、项目案例及其代码实现。

颜淡慕潇
2024-09-13 17:18:45

 1.5w

 36

#深度学习 #rnn #机器学习
008 | 基于RNN和LSTM的贵州茅台股票开盘价预测

本项目旨在通过使用Tushare下载贵州茅台的股票数据，并基于这些历史数据，使用TensorFlow 2.0实现循环神经网络（RNN）和长短期记忆网络（LSTM）来预测股票的开盘价。本项目提供了完整的数据获取、处理、模型构建和预测的流程。

刘润森！
2024-08-10 20:32:14

 982

 4

#rnn #lstm #人工智能
动手学深度学习55 循环神经网络 RNN 的实现

每个批量每个样本要做t次分类【任意时间点都要做一次分类】，所以要乘。不做detach会记住前面计算的东西，误差反传会多算东西。16每一个帧用cnn抽特征–向量，不需要one-hot. rnn不能处理特别长的序列。23 h-长为256的向量，很长很难计算。变长类似很长的mlp，容易过拟合。27 端侧–主要车上，未来家里所有深度学习都跑在车上–家庭超级计算机。7 不会预测特别长的东西。1 num_st

陌上阳光
2024-07-28 09:00:00

 2648

 25

#深度学习 #rnn #人工智能
深入理解循环神经网络（RNN）

然而，RNN也存在处理长序列时的局限，如梯度消失和爆炸问题。为了解决这些问题，LSTM和GRU等改进模型被提出，显著提升了RNN在实际应用中的性能。本文将详细解释RNN的基本结构、工作原理以及其优势和局限，帮助读者深入理解RNN的概念。通过本文的详细解释，希望读者能够深入理解RNN的基本原理、工作机制以及其优势和局限，并能够在实际项目中正确地选择和应用RNN及其改进模型。这意味着RNN可以保留前面

 小桥流水---人工智能
2024-07-09 21:48:39

 1307

 10

#rnn #人工智能 #深度学习
如何从RNN起步，一步一步通俗理解LSTM

如何从RNN起步，一步一步通俗理解LSTM前言提到LSTM，之前学过的同学可能最先想到的是ChristopherOlah的博文《理解LSTM网络》，这篇文章确实厉害，网上流传也相当之广，而且当你看过了网上很多关于LSTM的文章之后，你会发现这篇文章确实经典。不过呢，如果你是第一次看LSTM，则原文可能会给你带来不少障碍：...

v_JULY_v
2019-05-06 23:47:54

 35.2w

 3923

#rnn #lstm #人工智能
百面深度学习-循环神经网络

百面深度学习一书中的循环神经网络章节。

jieHeEternity
2023-11-05 21:22:32

 834

 2

#深度学习 #rnn #人工智能 +2