文件名称：keras-tcn：Keras时间卷积网络
文件大小：2.65MB
文件格式：ZIP
更新时间：2024-02-24 01:24:13
machine-learning deep-learning keras recurrent-neural-networks tcn
Keras TCN 与所有主要/最新的Tensorflow版本（从1.14到2.4.0+）兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于LSTM / GRU体系结构。 平行度，灵活的接收场大小，稳定的梯度，训练所需的低内存，可变长度的输入... 放大的因果卷积层堆栈的可视化（Wavenet，2016） API 通常的方法是导入TCN层，并在Keras模型中使用它。 下面提供了一个回归任务的示例（对于其他示例，请参阅tasks/ ）： from tensorflow . keras . layers import Dense from tensorflow . keras import Input , Model from tcn import TCN , tcn_full_summary batch_size , timesteps , input_dim = No
【文件预览】：
keras-tcn-master
----setup.py(358B)
----.gitignore(1KB)
----requirements.txt(64B)
----LICENSE(1KB)
----.github()
--------ISSUE_TEMPLATE()
--------FUNDING.yml(23B)
--------workflows()
----README.md(14KB)
----misc()
--------Sequential_MNIST_Task.png(176KB)
--------Non_Causal.png(1.06MB)
--------Copy_Memory_Task.png(519KB)
--------Receptive_Field_Formula.png(2KB)
--------Dilated_Conv.png(318KB)
--------Adding_Task.png(464KB)
----tcn()
--------__init__.py(87B)
--------tcn.py(22KB)
----tasks()
--------save_reload_sequential_model.py(1KB)
--------visualise_activations.py(5KB)
--------receptive-field()
--------multi_length_sequences.py(1KB)
--------video_classification.py(2KB)
--------monthly-milk-production-pounds-p.csv(2KB)
--------tcn_call_test.py(6KB)
--------adding_problem()
--------mnist_pixel()
--------imdb_tcn.py(2KB)
--------non_causal.py(568B)
--------sequential.py(2KB)
--------time_series_forecasting.py(1KB)
--------copy_memory()
--------exchange_rate()
----tox.ini(291B)