【Day3】Rnn

最新推荐文章于 2025-06-13 19:13:03 发布
最新推荐文章于 2025-06-13 19:13:03 发布
阅读量361 收藏
点赞数
分类专栏： 深度学习 文章标签： rnn 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_45965693/article/details/125598957
版权

FCN:全连接卷积网络

平化层nn.Flattern或者全局池化层会损害空间信息

假设 f f f是一个卷积层，而且 y = f ( x ) y=f(x) y=f(x)
在反向求导时， ∂ f ( y ) \partial f(y) ∂f(y)会返回一个跟 x x x一样形状的输出
卷积是对偶函数， ∂ 2 f = f \partial^{2}f=f ∂2f=f
如果我们想得到跟输入一样的输入，定义 g = ∂ f g=\partial f g=∂f， g ( f ( x ) ) g(f(x)) g(f(x))就是我们想要的。

【转置卷积层】（transposed convolutional，！也经常被错误地叫作deconvolutions）
把卷积层的forward和backward函数兑换
在这里插入图片描述

循环神经网络

待更

001一种儿童癫痫发作的非通道广义癫痫检测方法-2021
Crystalxxtt的博客
10-09 1104
癫痫发作检测
Keras中的网络层构造
王猛的专栏
03-12 1090
核心层（Core Layer）是构成神经网络最常用的网络层的集合，包括：全连接层、激活层、放弃层、扁平化层、重构层、排列层、向量反复层、Lambda层、激活值正则化层、掩盖层。所有的层都包含一个输入端和一个输出端，中间包含激活函数以及其他相关参数等。 （1）全连接层。在神经网络中最常见的网络层就是全连接层，在这个层中实现对神经网络里面的神经元的激活。 （2）激活层。激活层是对上一层的输出应用激...
基于生成对抗网络的知识蒸馏数据增强
weixin_50094312的博客
10-27 1373
思想来源：仅对原标签做简单的线性变化或直接使用原标签作为新样本标签的方法是无法表示标签中离散信息的 ，这会导致网络模型无法将离散信息也作为一种特征进行学习。针对上述问题，在区域丢弃算法的基础上，提出一种基于生成对抗网络的知识蒸馏数据增强算法。使用补丁对丢弃区域进行填补，减少区域丢弃产生的非信息噪声。在补丁生成网络中，保留生成对抗网络的编码器-解码器结构，利用编码器卷积层提取特征，通过解码器对特征图上采样生成补丁。
全卷积网络FCN---Gluon
Think
03-20 1035
全卷积网络（fully convolutional network，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换 。与之前介绍的卷积神经网络有所不同，全卷积网络通过转置卷积（transposed convolution）层将中间层特征图的高和宽变换回输入图像的尺寸，从而令预测结果与输入图像在空间维（高和宽）上一一对应：给定空间维上的位置，通道维的输出即该位置对应像素的类别...
深度学习中Flatten层的作用
热门推荐
Microstrong
06-29 11万+
“微信公众号”Flatten层的实现在Keras.layers.core.Flatten()类中。作用：Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。例子：from keras.models import Sequential from keras.layers.core import Flatten from ke...
【NLP】循环神经网络--RNN学习.day3
alb3117149013的博客
09-25 1222
循环神经网络（Recurrent Neural Network, RNN）是一种用于处理序列数据的深度学习模型。与传统的静态神经网络相比，RNN 可以有效处理输入数据的时间序列特性。这使得 RNN 在处理自然语言处理（NLP）、时间序列预测、音频处理等任务时非常有效。以下是对 RNN 的详细解释。
代码练习day01-RNN
qq_55655082的博客
05-15 471
循环神经网络 李沐代码
Day15上 - RNN、LSTM、GRU、情感识别
CSBLOG的博客
11-13 912
所有的网络都是在处理特征，这是人工智能的核心问题，不论是全链接、卷积、循环和transformer，它们都是在处理特征，所以我们只关注特征的维度。③ Linear 分类。1. 输入：65个词。2. 输出：2个分类。
TensorFlow学习DAY7RNN和LSTM
沙鳄鱼的博客
03-15 148
RNN（Recurrent Neurall Network） 在神经元加一个反馈回路，把上一个时间输出的信息作为下一个时间的输入进行处理。 LSTM（Long Short Term Memory） 输入层门：将新的信息选择性的记录到细胞状态中 ； 忘记门：将细胞状态中的信息选择性的遗忘 ； 输出层门：会把前面的信息保存到隐层中去。 RNN会产生梯度消失，对后面神经元的影响...
Day09【基于jieba分词和RNN实现的简单中文分词】
04-16
基于jieba分词和RNN实现的简单中文分词技术，实质上是一种结合了中文分词工具jieba和循环神经网络（RNN）模型的中文文本处理方法。中文分词是自然语言处理（NLP）中的关键技术，目的是将连续的文本序列切分成有意义...
Transformer的前世今生 day06（Self-Attention和RNN、LSTM的区别）
丿罗小黑的博客
03-21 1427
Self-Attention和RNN、LSTM的区别 RNN（循环神经网络） RNN，当前的输出oto_tot​取决于上一个的输出ot−1o_{t-1}ot−1​作为当前的输入xt−1x_{t-1}xt−1​和当前状态下前一时间的隐变量hth_tht​，隐变量和隐变量的权重WhhW_hhWh​h存储当前状态下前一段时间的历史信息，如果我们去掉Whh∗ht−1W_{hh} * h_{t-1}Whh​∗ht−1​，RNN就退化为MLP 在RNN中，我们根据前一个的输出和当前的隐变量，就可以预测当前的输出。当前
Day01:使用pytorch实现一个简单的RNN网络
qq_32070449的博客
12-04 420
【代码】Day01:使用pytorch实现一个简单的RNN网络。
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型时序预测对比
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
06-12 1397
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型时序预测对比
ChatGPT 辅助 PyTorch 开发：从数据预处理到 CNN 图像识别的全流程优化
2403_89974123的博客
06-09 891
在人工智能技术爆发的时代背景下，Python 凭借其简洁高效的特性成为机器学习与深度学习的核心工具，而大语言模型（如 ChatGPT、DeepSeek）的兴起则为 AI 开发注入了新动能。本次培训聚焦 “大语言模型 + Python + 深度学习” 的全栈技术体系，系统讲解从数据预处理、模型开发到前沿算法实践的全流程。通过 ChatGPT 辅助代码生成、调试及论文撰写，结合 PyTorch 框架实现经典机器学习算法（决策树、随机森林）与深度学习模型（CNN、RNN、GAN、YOLO），学员将掌握如何利用大语
山东大学深度学习2025年期末考试
c335000的博客
06-05 673
1.反向传播2.激活函数3.梯度裁剪4.数据增强5.迁移学习6.过拟合7.word2Vec8.注意力机制。
机器学习 vs 深度学习：区别与应用场景全解析
layneyao的博客
06-13 978
机器学习 vs 深度学习：区别与应用场景全解析
RNN避坑指南：从数学推导到LSTM/GRU工业级部署实战流程
聚客AI官方优快云博客
06-09 1315
本文全面剖析RNN核心原理，深入讲解梯度消失/爆炸问题，并通过LSTM/GRU结构实现解决方案，提供时间序列预测和文本生成完整代码实现。
深刻理解深度学习的注意力机制Attention
最新发布
superfreeman的专栏
06-13 422
特点说明全局建模可以一次性看全句所有词并行计算不像 RNN 要一个个处理，可以并行聚焦关键自动抓住关键内容易扩展可堆叠、可组合，非常灵活Attention 就是让模型学会“聚焦重点”的机制，就像你看书时自动划重点一样，它能帮助模型更聪明地理解输入数据的结构和语义。
基于 CNN-SHAP 分析卷积神经网络的多分类预测【MATLAB】
沅的博客
06-09 1153
卷积神经网络是一种专门用于处理具有网格结构数据（如图像、时间序列等）的人工神经网络。它通过引入卷积层、池化层和全连接层，能够自动提取输入数据中的关键特征，并进行高效的分类与识别。自动特征提取：无需手动设计特征，模型能从原始数据中自主学习有效信息；强大的泛化能力：尤其适用于图像、声音、文本等高维数据；高分类准确率：在多种标准数据集上均取得了优异成绩。卷积神经网络（CNN）凭借其强大的特征提取与分类能力，在多分类任务中表现卓越；而 SHAP 方法则为这些“黑箱”模型打开了可解释性的窗口。
深度学习 DAY2：SVM原理与正则化，RNN进阶分析
深度学习DAY2主要涵盖了支持向量机（SVM）的相关概念和技术，以及深度学习中的几个关键问题，包括过拟合、梯度问题、循环神经网络（RNN）的进阶模型以及正则化方法。 一、SVM 1. **几何间隔和函数间隔**： SVM的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值