12月第二周

深度学习软件工具：

重装了下 pytorch

上述方法不好用，容易掉线，之前少装了一些东西，后来从官网下的

pycharm 版本从2023.2改到2020.1

论文阅读：

SparseDGCNN: Recognizing Emotion from Multichannel EEG Signals

稀疏动态图卷积神经网络:从多通道脑电信号识别情绪

月底汇报论文：AnEfficientLSTMNetworkforEmotion RecognitionfromMultichannelEEGSignals

用于多通道脑电信号情绪识别的高效 LSTM 网络

高效 LSTM 网络是一种利用长短期记忆（LSTM）模型进行信息处理和特征提取的神经网络。它因其在处理序列数据和捕捉长期依赖关系方面的能力而非常流行，适用于各种任务，如语言模型、情感识别和时间序列预测等。通过在输入信号中使用卷积层进行预处理，以及在LSTM层之间使用dropout层来避免过拟合，高效 LSTM 网络能够有效识别和分类复杂的多通道数据，如脑电信号。

 based on Sparse multi-layers LSTM from Multichannel EEG Signals

基于稀疏多层LSTM的多通道脑电信号情感识别

多层LSTM（Long Short-Term Memory）是指将多个LSTM层堆叠在一起，形成一个深层的LSTM神经网络。与单层LSTM相比，多层LSTM具有更强的建模能力和表达能力，可以学习更复杂的序列模式和长期依赖关系。

多层LSTM的每一层都由多个LSTM单元组成，每个LSTM单元都包含了输入门、遗忘门、输出门等门控机制，用于调节信息的流动和过滤。在每一层的LSTM单元中，除了第一层以外的LSTM单元还需要考虑上一层的输出，以更好地捕捉长期依赖关系。

多层LSTM的训练过程可以使用反向传播算法和梯度下降算法进行优化，以最小化损失函数（如交叉熵损失）并学习模型参数。在实际应用中，多层LSTM通常用于序列建模、语音识别、自然语言处理等需要对长序列进行建模和预测的任务中。

深度学习两个网络模型：

卷积神经网络

卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，主要用于图像、视频等数据的处理和分类。它结合了卷积层、池化层和全连接层等不同类型的神经网络层，通过自动学习特征来实现对输入数据的分类和识别。

CNN的核心是卷积层，卷积层通过使用卷积核对输入数据进行特征提取，然后将提取到的特征传递给下一层。池化层可以进一步减小数据的维度，减少计算量，同时保留重要的特征信息。全连接层则将汇总的特征进行分类输出。CNN在计算机视觉领域的应用非常广泛，如人脸识别、图像分类、目标检测等。

总结：

卷积是寻找特征
池化是压缩数据
激活是加强特征

LSTM神经网络模型

LSTM网络模型是一种深度学习模型，它使用LSTM单元作为构建块。它是一种递归神经网络（RNN），旨在处理具有长期依赖的数据序列。

LSTM网络模型的基本架构由多层LSTM单元组成。每一层都接收一个输入数据序列，并使用自己的一组LSTM单元在时间上对其进行处理。每一层的输出随后作为输入传递到下一层，直到最终输出层产生模型的最终输出。

模型中每一层的LSTM单元之间使用各种门和记忆单元相互连接。输入门、遗忘门和输出门，以及记忆单元，都用于控制信息流和在每个时间步更新LSTM单元的状态。

输入门控制应该将哪些信息传递到记忆单元中，而遗忘门则决定应该丢弃哪些信息。输出门通过控制应该传递多少信息从记忆单元到输出来调节单元的输出。记忆单元存储有关输入序列的信息，可用于进行预测。

LSTM网络模型使用通过时间反向传播（BPTT）和梯度下降的组合进行训练。在训练期间，模型被提供一系列的输入数据和相应的目标输出。模型的输出被与目标输出进行比较，错误被反向传播到整个网络以更新每个LSTM单元的权重和偏差。

LSTM网络模型已成功应用于各种基于序列的任务，包括自然语言处理、语音识别和时间序列预测。它处理长期依赖性的能力使其特别适合于具有长期结构的输入数据的应用，例如语言建模和机器翻译。

安装    torch-1.8.1-cp39-cp39-win  库

安装    torchvision-0.9.1-cp39-cp39-win_amd64.whl

这个错误通常是由于使用的是较旧版本的NumPy而导致的。这个函数show_config是在较新的NumPy版本中加入的，如果您使用的是较旧的版本，则它可能不支持该函数。您可以尝试更新NumPy版本，或者使用其他可用的函数来实现您想要的功能。您还可以尝试检查代码是否将NumPy正确地安装在系统中，并且是否需要在代码中导入其他模块或库以使用该函数