搜索资源列表
RNN_Text_Classify-master
- 基于ＲＮＮ实现文本分类，一个简单的小例子(Based on RNN implementation examples of text classification)
char_rnn
- 手写实现rnn具体算法，你可以通过改程序了解rnn具体实现原理(Handwritten realization of RNN specific algorithm, you can change the program to understand the specific implementation principle of RNN)
RNN_LSTM-master
- descr iption de code RNN LSTM
RNN.ipynb
- tensorflow人工智能代码，RNN(tensorflow sourceCode:RNN)
Char-RNN-PyTorch-master
- # Char-RNN-PyTorch 使用字符级别的RNN进行文本生成，使用PyTorch框架。[Gluon实现] ## Requirements - PyTorch 0.2 - numpy ## Basic Usage 如果希望训练网络，使用如下的代码 ```bash python main.py \ --state train \ --txt './data/poetry.txt' \ # 训练用的txt
RNN
- just a easy programer achieving addition.
Emotion-Recognition-RNN-master
- EMotion Recongition from speech using RNN
RNN_2015
- RNN 论文阅读，帮助理解RNN的实现，以及应用。涉及lstm等rnn网络(RNN papers; including lstm)
rnnoise-master
- 使用RNN来对语音数据进行降噪处理，获得关键信息(using RNN network to process the voice message, in order to make it more clear;)
Char-RNN-TensorFlow-master
- 使用深度学习 RNN循环神经网络，lstm实现余弦预测(lstm to predict sine)
test1
- 神经网络，深度学习上非常经典的例子-RNN循环神经网络，使用mnist数据集，代码简单易懂，学习方便(Neural network, deep learning is a very classic example -RNN circular neural network, the use of mnist data sets, the code is easy to understand, easy to learn)
组会材料
- CNN, RNN领域的一些优秀论文, 内容包括机器翻译等应用, 也包括一些入门材料。(Good papers about CNN and RNN)
40节点预测
- 利用人工智能RNN进行数据预测分析，效果还可以(Using artificial intelligence RNN to carry out data prediction and analysis, the effect is also possible.)
DeepLearnToolbox-master
- 深度学习MATLAB的工具箱，包括CNN、RNN、CAE、LSTM等复杂的神经网络的代码。(Deep learning MATLAB toolbox, including CNN, RNN, CAE, LSTM and other complex neural network code.)
CNN+RNN
- 行人再识别 CNN+RNN 亲测有效，训练时间短(person re-identification CNN+RNN)
test_rnn
- rnn （循环神经网络）实验，算法验证，tensorflow平台(the experiment of rnn using tensorflow)
MATLAB
- matlab使用layrecnet实现循环神经网络rnn(Matlab uses recurrent neural network to implement recurrent neural network RNN.)
RNN_matlab
- 用Matlab实现了最基本的RNN神经网络(Matlab to achieve the most basic RNN neural network)
LSTM-prediction
- 通过改进RNN神经网络经典的LSTM模型预测交通流。(prediction traffic flow)
LSTM-Human-Activity-Recognition-master
- 与经典的方法相比，使用具有长时间记忆细胞的递归神经网络(RNN)不需要或几乎不需要特征工程。数据可以直接输入到神经网络中，神经网络就像一个黑匣子，可以正确地对问题进行建模。其他研究在活动识别数据集上可以使用大量的特征工程，这是一种与经典数据科学技术相结合的信号处理方法。这里的方法在数据预处理的数量方面非常简单(Compared with the classical methods, the recursive neural networ