积一时之步，臻千里之遥程

转载自：https://www.cnblogs.com/xuruilong100/p/8451790.html作者：徐瑞龙，量化分析师 R语言中文社区专栏作者博客专栏：https://www.cnblogs.com/xuruilong100 目录基于 Keras 用 LSTM 网络做时间序列预测问题描述长短记忆网络LSTM 网络回归LSTM 网络回归结合窗口法基于时间步的 LSTM 网络回归在批量训练之间保持 LSTM 的记忆在批量训练中堆叠 LSTM 网络总结扩展阅读时间序列预测是一类比

转载自：https://blog.youkuaiyun.com/weixin_43486780/article/details/105344900项目地址首先加载时间序列数据集，数据集 import pandas as pddata = pd.read_csv('SP500.csv')data.head()数据集大概是这样的，这里我们选择’Close’这一列特征进行预测。 将其可视化 import matplotlib.pyplot as pltimport numpy as npdata_c

转载自：https://zhuanlan.zhihu.com/p/290683144此数据是1949 到 1960 一共 12 年，每年 12 个月的航班乘客数据，一共 144 个数据，单位是 1000。我们使用它来进行LSTM时间序列预测的实验。数据如图所示第一列为时间 第二列为数据编写代码头文件import numpyimport matplotlib.pyplot as pltfrom keras.models import Sequentialfrom keras.layers impo

转载自：https://zhuanlan.zhihu.com/p/1943089431.Seq2Seq模型简介Seq2Seq模型是输出的长度不确定时采用的模型，这种情况一般是在机器翻译的任务中出现，将一句中文翻译成英文，那么这句英文的长度有可能会比中文短，也有可能会比中文长，所以输出的长度就不确定了。 如下图所，输入的中文长度为4，输出的英文长度为2。 在网络结构中，输入一个中文序列，然后输出它对应的中文翻译，输出的部分的结果预测后面，根据上面的例子，也就是先输出“machine”，将"machine

转载自：https://blog.youkuaiyun.com/qq_31278903/article/details/88690959 LSTM 长短时记忆网络(Long Short Term Memory Network, LSTM)，是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题，目前比较流行。 长短时记忆网络的思路： 原始 RNN 的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。

转载自：https://www.jianshu.com/p/4b4701beba92（@Jerry_wl）译自原文:Understanding LSTM Networks循环神经网络人类针对每个问题的思考，一般不会是完全的从头开始思考。正如当你阅读这篇译文的时候，你会根据已经阅读过的内容来对后面的内容进行理解，你不会把之前的东西都丢掉从头进行思考，你对内容的理解是贯穿的。传统的神经网络做不到这一点，而这似乎是一个主要的缺点。 例如，假设您想对电影中的每个事件进行分类。我们无法想象传统神经网络如何能

转载自：https://blog.youkuaiyun.com/weixin_40645361/article/details/105025876（作者：一只懒猪猪） 目录 Part One.计算图         一、计算图概览              1.计

学习来源：https://www.bilibili.com/video/BV1zk4y1y7aP?p=1图像风格转换是指利用算法学习图片a的风格，然后再把这种图片a风格应用到另外一张图片b上的技术。关于图形风格转换，推荐文章【啄米日常】5：keras示例程序解析（2）：图像风格转移作者对图像风格转换原理和代码解释写的非常详细，通俗易懂文章提到图像风格转换基本思路就是通过迭代优化的方式，使一张空白图像在内容上相似于内容图像，而在风格上相似于风格图像，整个系统框图如下：除此之外，还可以阅读

转载自：https://blog.youkuaiyun.com/weixin_40645361/article/details/105018944（作者：一只懒猪猪）Part One.卷积神经网络的基本原理 一、卷积神经网络的基本结构 对于一个输入图像，进行卷积操作，得到一个特征图像feature map的一个值(紫色部分)，然后通过滑动卷积核对图像上的不同的区域做处理，可以得到这个特征图1。这个特征图1，就是对原始的图像通过卷积操作和激活函数这样的处理得到的。然后这个特征图1可以通过池化层pooling，然后

转载自：https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html 概述 在本文中，我们将提供一些面向小数据集（几百张到几千张图片）构造高效、实用的图像分类器的方法。 本文将探讨如下几种方法： 从图片中直接训练一个小网络（作为基准方法） 利用预训练网络的bottleneck（瓶颈）特征 fine-tune预训练网络的高层 本文需要使用的Keras模块有

学习笔记来源：https://www.bilibili.com/video/BV1zk4y1y7aP猫狗—图像分类文章目录1 数据预处理2 猫狗分类-简单CNN3 VGG16-bottleneck实现猫狗分类4 VGG16-Finetune实现猫狗分类1 数据预处理需要把训练数据和测试数据分类放置到image下面不同目录文件夹下。例如image/ train/ dogs/ dog001.jpg dog002.jpg

学习笔记：Keras中文文档基本概念（1）张量（2）数据格式（Data Format）比如一组彩色图片的数据表示，Theano会把100张RGB三通道的16×32（高为16，宽为32）彩色图表示为下面这种形式（100，3，16，32）,即通道维靠前。而TensorFlow的表达形式是（100，16，32，3），即把通道维放在了最后。这种数据组织方式称为“channels last”，即通道维靠后。（3）函数式模型（Functional Model）Keras 模型的使用一般可以分为顺序模型

深入学习Keras中Sequential模型及方法

转载自：https://www.cnblogs.com/lc1217/p/7132364.html1.关于Keras1）简介Keras是由纯python编写的基于theano/tensorflow的深度学习框架。Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）b）支持CNN和RNN，或二者的结合c）无缝CPU和GPU切换2）设计原则a

转载自：5分钟搞懂什么是深度学习 目录 为什么要用深度学习？神经网络入门深度学习入门必须理解这25个概念标量、向量、矩阵和张量人工智能的三个分支：认知、机器学习、深度学习现在各种名词非常火，什么人工智能、机器学习、深度学习，那么我要学习它，当然是要在一个大的方向、轮廓上看到它。比如爬一座山，先远远的看看，对它有一个大致的了解。 好了，先上一张图，远远的看一下： 如何理解人工智能、机器学习和深度学习三者的关系 嗯嗯，这么一看是不是清楚了很多呢？

转载自：https://blog.youkuaiyun.com/weixin_40645361/article/details/104893763（作者：一只懒猪猪）Part One.数学基础 一、线性代数 1.标量、向量、张量和矩阵 标量：只有大小没有方向的量。如时间，温度等, 如果标量a是实数，记作a∈Ra\in Ra∈R向量：既有大小又有方向的量。如速度、位移等, 如果a是n维实数矢量，记作a∈Rna\in R^na∈Rn一般用粗体变量表示 。向量=矢量张量：可用来表示在一些标量、向量和其他张量之间

1 神经网络概述1.1 打开深度学习的大门人工神经网络（Artificial Neural Network，ANN），通常简称为神经网络，是深度学习的基础，它是受到人类大脑结构启发而诞生的一种算法。神经学家们发现，人类大脑主要由称为神经元的神经细胞组成，通过名为轴突的纤维束与其他神经元连接在一起。每当神经元从其他的神经元接受到信号，神经元便会受到刺激，此时纤维束会将信号从一个神经元传递到另一个神经元上。人类正是通过相同的冲动反复地刺激神经元，改变神经元之间的链接的强度来进行学习。...