GumpYan - 博客园

2020年8月27日

摘要： 1.原始RNN的问题 RNN 面临的较大问题是无法解决长跨度依赖问题，即后面节点相对于跨度很大的前面时间节点的信息感知能力太弱。如图 2.1.1( 图片来源 :https://www.jianshu.com/p/9dc9f41f0b29)中的两句话：左上角的句子中 sky 可以由较短跨度阅读全文

posted @ 2020-08-27 11:14 GumpYan 阅读(233) 评论(0) 推荐(0) 编辑

rnn预测股票价格

摘要： 1.数据源 SH600519.csv 是用 tushare 模块下载的 SH600519 贵州茅台的日 k 线数据，本次例子中只用它的 C 列数据(如图 1.2.26 所示)：用连续 60 天的开盘价，预测第 61 天的开盘价。这个 excel 表格是使用源码 p37_tushare.py(如图阅读全文

posted @ 2020-08-27 10:27 GumpYan 阅读(1214) 评论(0) 推荐(1) 编辑

2020年8月26日

Embedding实现4pre1

摘要： 1.用 Embedding 编码的方式实现4pre1 这次将词汇量扩充到 26 个(即字母从 a 到 z)。如图 1.2.22 所示，首先建立一个映射表，把字母用数字表示为 0 到 25；然后建立两个空列表，一个用于存放训练用的输入特征 x_train，另一个用于存放训练用的标签 y_train；接阅读全文

posted @ 2020-08-26 23:09 GumpYan 阅读(274) 评论(0) 推荐(0) 编辑

tf.where()&np.random.RandomState.rand()&np.vstack&np.mgrid .ravel np.c_[]

摘要： 1.tf.where() import tensorflow as tf a = tf.constant([1,2,3,1,1]) b = tf.constant([0,1,3,4,5]) c = tf.where(tf.greater(a,b), a, b) # 若a>b,返回a对应位置的元素，否阅读全文

posted @ 2020-08-26 20:22 GumpYan 阅读(149) 评论(0) 推荐(0) 编辑

Embedding实现1pre1

摘要： 1.Embedding -- 一种编码方法为什么使用Embedding? 独热码：独热码的位宽要与词汇量一致，如果词汇量增大时，非常浪费资源。数据量大、过于稀疏，映射之间是独立的，没有表现出关联性。 Embedding：是一种单词编码方法，用低维向量实现了编码。这种编码通过神经网络训练优化，阅读全文

posted @ 2020-08-26 17:12 GumpYan 阅读(293) 评论(0) 推荐(0) 编辑

tf.keras训练iris数据集

摘要： import tensorflow as tf import os from sklearn import datasets import numpy as np # 加载数据集 """ 其中测试集的输入特征 x_test 和标签 y_test 可以像 x_train 和 y_train 一样直接从阅读全文

posted @ 2020-08-26 11:44 GumpYan 阅读(469) 评论(0) 推荐(0) 编辑

tf.keras 搭建神经网络六部法

摘要： 1.tf.keras 搭建神经网络六部法第一步： import 相关模块，如 import tensorflow as tf。第二步：指定输入网络的训练集和测试集，如指定训练集的输入 x_train 和标签y_train，测试集的输入 x_test 和标签 y_test。第三步：逐层搭建网络结构阅读全文

posted @ 2020-08-26 10:54 GumpYan 阅读(406) 评论(0) 推荐(0) 编辑

循环计算过程（4pre1）

摘要： 4pre1 #! /usr/bin/env python # -*- coding:utf-8 -*- # __author__ = "y00475869" import numpy as np import tensorflow as tf from tensorflow.keras.layers 阅读全文

posted @ 2020-08-26 07:51 GumpYan 阅读(190) 评论(0) 推荐(0) 编辑

2020年8月25日

循环计算过程（1pre1）

摘要： RNN 最典型的应用就是利用历史数据预测下一时刻将发生什么，即根据以前见过的历史规律做预测例子：计算机不认识字母，只能处理数字。所以需要我们对字母进行编码。这里假设使用独热编码（实际中可使用其他编码方式），编码结果如图1.2.7所示。词向量空间：假设使用一层 RNN 网络，记忆体的个数选取阅读全文

posted @ 2020-08-25 23:26 GumpYan 阅读(421) 评论(0) 推荐(0) 编辑

循环核&循环层

摘要： 1.卷积神经网络与循环神经网络简单对比 CNN: 借助卷积核（kernel）提取特征后，送入后续网络(如全连接网络 Dense)进行分类、目标检测等操作。 CNN 借助卷积核从空间维度提取信息，卷积核参数空间共享。 RNN: 借助循环核（cell）提取特征后，送入后续网络(如全连接网络 Dense 阅读全文

posted @ 2020-08-25 19:12 GumpYan 阅读(1321) 评论(0) 推荐(0) 编辑

Gump Yan

公告