【文件属性】：
文件名称：emd的matlab代码详解-RRN-MxNet:使用MxNet的循环神经网络
文件大小：1003KB
文件格式：ZIP
更新时间：2021-06-02 09:26:07
系统开源
emd的matlab代码详解使用
Apache
MXNet
的循环神经网络
在我们之前的笔记本中，我们使用了一种称为卷积神经网络
(CNN)
的深度学习技术来对
和
进行分类。
尽管
CNN
是一种强大的技术，但它无法从音频和文本等输入序列中学习时间特征。
此外，CNN
旨在学习具有固定长度卷积核的空间特征。
这些类型的神经网络称为前馈神经网络。
另一方面，循环神经网络（RNN）是一种可以学习时间特征的神经网络，比前馈神经网络具有更广泛的应用。
在本笔记本中，我们将开发一个循环神经网络，用于预测给定前一个单词或字符的单词或字符的概率。
几乎我们所有人的智能手机上都有一个预测键盘，它可以为超快速打字提示即将出现的单词。
循环神经网络使我们能够构建类似于
SwiftKey
的最先进的预测系统。
我们将首先介绍前馈神经网络的局限性。
接下来，我们将使用前馈神经网络实现一个基本的
RNN，它可以很好地了解
RNN
的工作原理。
之后，我们将使用
MxNet
的
gluon
API
设计一个具有
LSTM
和
GRU
层的强大
RNN。
我们将使用这个
RNN
来生成文本。
我们还将讨论以下主题
【文件预览】：
RRN-MxNet-master
----images()
--------KFC_Thinking01.jpg(798KB)
--------ffn_rnn.png(21KB)
--------unroll_input.png(3KB)
--------RNN2.png(14KB)
--------batch.png(3KB)
--------martians-chart5_preview.jpeg(51KB)
--------seq2.png(12KB)
--------batch4.png(7KB)
--------batch3.png(7KB)
--------unRolled_rnn.png(39KB)
--------lstm.png(17KB)
--------martians-chart5_preview4.jpg(72KB)
--------sequene_to_sequence.png(23KB)
--------RNN.png(14KB)
--------GAN_SAMPLE.png(14KB)
--------cnnvsrnn.png(7KB)
--------GAN_Model.png(29KB)
--------batch_reshape.png(15KB)
--------humans_mars.png(14KB)
--------GAN_image.png(93KB)
--------batch2.png(3KB)
--------loss.png(25KB)
----Test-rnn.ipynb(50KB)
----.ipynb_checkpoints()
--------sumbission-checkpoint.ipynb(31KB)
--------Test-rnn-checkpoint.ipynb(31KB)
----README.md(27KB)