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：2024-06-22 03:12:47
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)