用RNN预测名称来源
RNN（循环神经网络）是一种深度学习模型，特别适用于处理序列数据，如文本、语音和时间序列数据等。它具有记忆功能，可以通过学习序列中的上下文信息来预测未来的输出。
在名称来源预测方面，RNN可以通过学习大量的名称数据集，包括人名、地名、品牌名等，来预测一个给定名称的来源。它可以根据输入的字符序列，逐步生成下一个字符，从而构建出一个完整的名称。
RNN的优势在于它能够捕捉到序列数据中的长期依赖关系，因此在名称来源预测中，它可以考虑到前面的字符对后面的字符产生的影响。这使得RNN在处理名称来源预测任务时具有较好的效果。
在实际应用中，可以使用腾讯云的自然语言处理（NLP）相关产品来支持RNN模型的训练和部署。以下是一些推荐的腾讯云产品和产品介绍链接地址：
- 腾讯云自然语言处理（NLP）：提供了一系列的自然语言处理服务，包括文本分类、情感分析、命名实体识别等功能，可以用于辅助RNN模型的训练和评估。详细信息请参考：腾讯云自然语言处理（NLP）
- 腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）：提供了一站式的机器学习平台，支持各种深度学习框架，包括TensorFlow、PyTorch等，可以用于训练和部署RNN模型。详细信息请参考：腾讯云机器学习平台（TMLP）
- 腾讯云云服务器（CVM）：提供了高性能的云服务器实例，可以用于训练和部署RNN模型。详细信息请参考：腾讯云云服务器（CVM）
总结起来，RNN是一种适用于处理序列数据的深度学习模型，在名称来源预测中具有较好的效果。腾讯云提供了一系列的自然语言处理和机器学习相关产品，可以支持RNN模型的训练和部署。
相关·内容
以下代码有何不同？
用tf.contrib.rnn.DropoutWrapper
tf.contrib.rnn.MultiRNNCell(tf.contrib.rnn.DropoutWrapper(tf.contrib.rnn.BasicLSTMCell(rnn_sizes，_ enc_cell _output_prob=1-output_prob) for _ in范围(Num_layers) _，encoding_state = tf.nn.dynamic_rnn(enc_cell，rnn_inputs，dtype=tf.float32)
用tf.nn.droupout
tf.co
浏览 2提问于2017-08-28得票数 2
回答已采纳
1回答
馈电叠加RNN输出到全连接层
、、、、
我试图用tensorflow中的堆叠RNN来解决回归问题。RNN输出应该输入到一个完全连接的层中进行最终的预测。目前，我正在纠结于如何将RNN输出输入到最终的fully_connected层。我的输入是形状为batch_size，max_sequence_length，num_features
RNN层的创建方式如下：
cells = []
for i in range(num_rnn_layers):
cell = tf.contrib.rnn.LSTMCell(num_rnn_units)
cells.append(cell)
multi_rnn_cell = tf.co
浏览 1提问于2018-04-13得票数 1
1回答
我想用RNN model/LSTM改进MNIST手写模型。是否有人尝试在RNN上进行修改。如果是这样，我可以用什么不同的方法来改进模型呢？..please建议
浏览 14提问于2020-10-09得票数 0
我在TF中有一个分类模型，可以得到下一个类(preds)的概率列表。现在，我想选择最高元素(argmax)，显示它的类标签。
这可能有点傻，但我如何才能得到与预测张量中的位置相匹配的类标签呢？
feed_dict={g['x']: current_char}
preds, state = sess.run([g['preds'],g['final_state']], feed_dict)
prediction = tf.argmax(preds, 1)
preds给出了每个类的预测向量。当然，必须有
浏览 7提问于2017-03-27得票数 1
回答已采纳
我终于用我的LSTM模型来预测事情了。然而，我遇到了一个我不太明白的新问题。如果我试图用
sess.run(pred, feed_dict={x: xs})
它对第一个预测非常有用，但是后续的任何预测都会引发错误：
ValueError:可变权重_def/权重已经存在，不允许。你是想把reuse=True设为VarScope吗？
现在，这方面有大量的主题--其中大多数都很容易按照它的要求来解决--只需在违规的行周围创建一个变量范围，并使变量重用成为现实。现在，如果我这样做，就会得到以下错误：
ValueError:变量rnn_def/RNN/BasicLSTMCell/Linear/
浏览 2提问于2016-11-27得票数 4
回答已采纳
1回答
我在TensorFlow中使用BasicLSTMCell和rnn.bidirectional_rnn实现了双向RNN。我正在使用seq2seq.sequence_loss_by_example计算在连接我收到的输出后的损失。我的应用程序是下一个字符预测器。
我得到一个极低的 cost (~比单向RNN小50倍)。我怀疑我在seq2seq.sequence_loss_by_example步骤中犯了一个错误。
这是我的模型-
# Model begins
cell_fn = rnn_cell.BasicLSTMCell
cell = fw_cell = cell_fn(args.rnn_size,
浏览 2提问于2016-11-26得票数 1
回答已采纳
受Andrej Karpathy rnn的启发，有一个Char-RNN 的Tensorflow实现。我想从这段代码中实现双向字符级语言模型。我更改了并编写了一段简单的代码：
class Model:
def __init__(self, input_data, targets, seq_length=Config.max_seq_length, training=True):
if Config.model == 'rnn':
cell_fn = rnn.BasicRNNCell
elif Config.model == 'gru'
浏览 4提问于2017-08-10得票数 0
回答已采纳
这是一个关于如何建立递归神经网络的一般性问题，我认为这是一个非常基本的问题。为了达到这个目的，让我们假设我们正在训练一个自回归语言模型，它试图预测某些文本中的下一个字符。
当我查看训练RNN的现有实现时，我通常会发现，输入到这些RNN的数据是一定长度的片段，输入和输出形状相同，但通过一个示例(例如，预测器x为data 0:n，谓词y为data1:n+1)，它们之间的相对移动。在这样一个RNN的末尾，我们通常会发现某种类型的映射(+softmax)从隐藏状态h_t到类的数量(这里:字符)。通常，这似乎是为每个输入时间样本生成一个类标签，也就是说，我们得到每个输出样本的类标签预测。换句话说，在看到
浏览 1提问于2022-06-06得票数 0
1回答
我对NER的顺序标记不感兴趣。我遵循代码"“使我的模型如下所示：
X = tf.placeholder(tf.float32, shape=[None, timesteps , num_input])
Y = tf.placeholder("float", [None, timesteps, num_classes])
y_true = tf.reshape(tf.stack(Y), [-1, num_classes])
输入是，
X：(batch_size，max_sent_length，word_embed_dim)
和
Y：(batch_size，max_sent
浏览 0提问于2018-04-22得票数 0
回答已采纳
1回答
我试图计算LSTM模型的总参数，但我有一些困惑。
我搜索了一些答案，比如和。我不知道隐藏单元在参数计算中的作用是什么(在我的例子中是h1=64，h2=128 )。
import tensorflow as tf
b, t, d_in, d_out = 32, 256, 161, 257
data = tf.placeholder("float", [b, t, d_in]) # [batch, timestep, dim_in]
labels = tf.placeholder("float", [b, t, d_out]) # [batch, times
浏览 1提问于2019-07-24得票数 1
回答已采纳
1回答
Tensorflow预测输出类别
、、、、
我试过这个例子，但没有用LSTM。我的模型使用Tensorflow中的LSTM，我愿意将输出以类的形式预测为keras模型，从而使用predict_classes。
我正在尝试的Tensorflow模型是这样的：
seq_len=10
n_steps = seq_len-1
n_inputs = x_train.shape[2]
n_neurons = 50
n_outputs = y_train.shape[1]
n_layers = 2
learning_rate = 0.0001
batch_size =100
n_epochs = 1000
train_set_size = x_tr
浏览 0提问于2019-01-15得票数 8
回答已采纳
1回答
我读过关于LSTM和RNNs，甚至CTC的文章。据我所知，RNN用于在序列中查找缺少的标记(例如，句子中的一个单词)。但是，我的问题是读取用草书编写的人名。许多名字并不流行，在语言模型中也找不到，所以如果RNN只是预测缺少的单词，它就不会成功，因为我没有完整的人名数据集，对吗？
( 1)可以用RNN识别非标准词吗？(例如罕见/不受欢迎的人名)
( 2)如否，是否有其他选择？？或者我必须使用传统的OCR方法(尝试分割然后分类字符)？
浏览 4提问于2018-12-17得票数 1
回答已采纳
1回答
用PyTorch预测网格坐标序列
、、、、
我有一个类似的公开问题 (虽然不是以实现为重点的，但我想这个问题是这样的，所以我认为它们都是有效的)。
我正在做一个项目，用传感器来监控一个人的GPS位置。然后，坐标将转换为简单的网格表示形式。我想要做的是，在记录了一个用户的路线之后，训练一个神经网络来预测下一个坐标，比如在下面的例子中，用户只重复两条路线，Home->A和Home->B。
我想用不同长度的序列(如(14,3), (13,3), (12,3), (11,3), (10,3), (9,3), (8,3), (7,3), (6,3), (5,3), (4,3), (3,3), (2,3), (1,3) )来训练RNN/
浏览 2提问于2019-07-18得票数 9
回答已采纳
1回答
感谢您对这个问题的研究！
我正在尝试训练一个LSTM网络，它根据过去30天的股票价格预测未来5天的股票价格。我已经基于265个样本训练了模型。变量的定义如下：
# Variables
x = tf.placeholder("float", [265, 30])
y = tf.placeholder("float", [265, 5])
weights = {
'out': tf.Variable(tf.random_normal([n_hidden, y_size]))
}
biases = {
'out
浏览 0提问于2018-09-03得票数 0
我有以下的时间序列，我分为火车，瓦尔和测试：
📷
基本上，我对ARIMA和LSTM进行了关于这些数据的培训，结果完全不同，就预测而言: ARIMA：
📷
LSTM：
📷
现在，也许我是通过了，在某种程度上，测试设置为LSTM，以便表现得更好？或者LSTM仅仅是比ARIMA更好？下面是一些代码。请注意，为了在将来进行预测，在训练和预测: ARIMA代码之前，我要在我的系列中添加新的和最后的预测值：
# Create list of x train valuess
history = [x for x in x_train]
# establish list for predictions
mo
浏览 0提问于2022-10-21得票数 1
回答已采纳
我正在研究RNN语言模型的代码。对于1)如何构造训练对(x，y)以及随后如何计算2)，我感到困惑。代码借用了Tensorflow RNN教程(阅读器模块)。
在读取器模块中，定义了一个生成器。它接受数据作为一个序列，根据批处理大小和希望“展开”RNN的步骤数生成 x，y对。最好先看一下整个定义，但让我感到困惑的是：
for i in range(epoch_size):
x = data[:, i*num_steps:(i+1)*num_steps]
y = data[:, i*num_steps+1:(i+1)*num_steps+1]
yield (x, y)
它被记录为：
*
浏览 0提问于2016-09-07得票数 0
我最近开始学习Tensorflow，并尝试使用扫描函数制作简单的rnn代码。我要做的是让RNN预测正弦函数。它的输入为1昏暗。并输出1台dim分批输出如下。
import tensorflow as tf
from tensorflow.examples.tutorials import mnist
import numpy as np
import matplotlib.pyplot as plt
import os
import time
# FLAGS (options)
tf.flags.DEFINE_string("data_dir", "", &#
浏览 1提问于2016-08-05得票数 0
回答已采纳
1回答
我正在构建一个RNN模型来进行图像分类。我使用管道来输入数据。然而，它会返回
ValueError: Variable rnn/rnn/basic_rnn_cell/weights already exists, disallowed. Did you mean to set reuse=True in VarScope? Originally defined at:
我想知道我能做些什么来解决这个问题，因为使用输入管道实现RNN的例子并不多。我知道如果我使用占位符就可以了，但是我的数据已经是以张量的形式存在了。除非我可以向占位符提供张量，否则我更喜欢使用管道。
def RNN(inputs)
浏览 10提问于2017-08-13得票数 1
回答已采纳
1回答
RNN解码器与RNN的区别
、、、、
我们只使用RNN解码器(没有编码器)来生成文本，RNN解码器与纯RNN操作有什么不同？
TensorFlow中的随机神经网络解码器：
TensorFlow中的纯RNN：
耽误您时间，实在对不起
浏览 1提问于2017-04-18得票数 0
我使用Keras作为一个(字符)序列到序列的RNN应用程序。由于我有一组相对较少的A -> B示例和一组更大的B示例，所以我决定尝试一种自动编码方法:首先训练网络来学习B上的标识函数，为B的成员生成一个嵌入，然后训练一个网络来学习A ->嵌入(B)。通过将第二个网络和解码器--第一个网络的一半--结合起来，希望它能推广到产生合理的B。
按照教程建模的代码如下所示(为了简单起见，忽略了几个层、退出、正则化等等)：
class Example:
def __init(self, ...):
# Sets dense_size, rnn, rnn_size, em
浏览 1提问于2017-10-19得票数 4
回答已采纳
我正在做我的第一步学习TF和有一些困难的训练RNN。
我的玩具问题是这样的:一个两层的LSTM +密集层网络被输入原始音频数据，并且应该测试声音中是否存在一定的频率。
因此，网络应该从1到1映射浮动(音频数据序列)到浮动(预选的频率体积)。
我已经在Keras上完成了这个任务，并看到了类似的TFLearn解决方案，但我希望以一种相对高效的方式在裸Tensorflow上实现这一点。
我所做的：
lstm = rnn_cell.BasicLSTMCell(LSTM_SIZE,state_is_tuple=True,forget_bias=1.0)
lstm = rnn_cell.DropoutWr
浏览 1提问于2016-10-08得票数 1
回答已采纳
1回答
RNN代码在训练过程中会产生良好的正弦近似，但当根据之前的预测( 20个原始值)预测正弦值时，它无法近似正弦。(检查图像)
因此，要么是预测代码中存在错误，要么是模型通常不能处理回馈预测。但我认为这更像是我的代码中的一个bug :)
代码：
日志：
RNN(
(rnn): RNN(1, 64, batch_first=True)
(fc): Linear(in_features=64, out_features=1, bias=True)
)
Training for 10 epoch(s)...
Epoch: 1/10 Loss: 0.05084234103560448
浏览 15提问于2019-07-31得票数 0
在ARIMA中，有get_forecast方法来预测未知的未来，例如：
results.get_forecast(steps=500)
Keras中是否也有针对RNN/LSTM的内置函数？
浏览 0提问于2018-01-19得票数 0
2回答
我对ML和TensorFlow很陌生(我几个小时前就开始了)，我正试图用它来预测时间序列中的下几个数据点。我把我的意见和它一起做：
/----------- x ------------\
.-------------------------------.
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
'-------------------------------'
\----------- y ------------/
我认为我正在做的是使用x作为输入数据，使用y作为输入的期望输出，这样，给定0-6，我就可以得到1-7 (特别是7)。然而，
浏览 0提问于2018-01-22得票数 11
我以前用Numpy或BLAS这样的基本工具训练过RNN，但是我很难得到一个简单的RNN来在TF中收敛。全码
我尝试了一些标准的东西，比如调整学习速度、动量和在梯度中增加噪音，但我担心我不明白TF在下面做什么。
在几个教程中，似乎在TF中你训练像回声状态网络这样的网络，在这种网络中隐藏状态是在随机互连上进化来训练一个水库，然后你使用线性(或非线性)变换将隐藏状态映射到你的标签上。
我研究了Tensorflow用来训练的梯度，它似乎是在训练内部状态转换矩阵，如果使用“在时间中的反向传播”，我无法判断它是否试图使用。
你能帮我理解我在训练RNN时做错了什么吗？
cell_layer = tf.con
浏览 0提问于2017-05-15得票数 0
回答已采纳
1回答
我试图了解RNN传感器是如何与地面真相标签训练的。在反恐委员会的情况下，我知道该模型是经过训练的损失函数，它总结了所有可能的地面真理标签的所有分数。
但在RNN-T中，预测网络必须从最后一步接收输入，以产生类似于“教师强制”方法的输出。但我在这里的疑问是，地面真实标签是否应该被转换成所有可能的空标签对齐，并通过教师强制“方法”将每条直线传送到网络上？
浏览 1提问于2019-07-03得票数 3
我看到这个教程是为了知道如何使用LSTM来预测时间序列数据，我注意到他将目标/标签向上移动，以便所有特性都在t时间内，但目标是t+1。
所以我的简单问题是，在处理时间序列数据时，我们应该总是这样做吗？
我有一个时间序列数据，我想用它来用RNN建立一个回归模型。我首先使用了前馈神经网络，但效果不够好，所以我决定使用RNN/LSTM。我的问题是，我应该让数据集像现在一样，在时间t中每个行都有特性和目标，还是应该移动目标列，以便特性总是在t时，但目标总是提前移动(t+1)？
浏览 0提问于2019-12-19得票数 3
嗨，我正在写一个“很多(输入)到很多(输出)”的rnn代码来处理字符预测。为此，我将隐藏层参数设置如下。三个隐藏层，每个层都有100,200和300个隐藏单位。
hidden layers= [100,200,300]
我的密码是这个。
# parameters.
hiddenLayers = [100,200,300]
timeStep = 20 # sequence length
inputDimension = 38 (# of English alphabet + symbols)
outputDimension = 38 (# of English alphabet + symbo
浏览 1提问于2017-04-29得票数 1
我是新手，在一般情况下，我会深入学习，并且正在尝试构建一个简单的文本生成器。由于我不明白的原因，损失一直在变化，而模型没有。
class RNN(nn.Module):
def __init__(self, embed_size, hidden_size):
super(RNN, self).__init__()
self.embeds = nn.Embedding(num_chars, embed_size)
self.l1 = nn.Linear(embed_size, hidden_size)
self.l2 = n
浏览 0提问于2018-05-24得票数 0
回答已采纳
2回答
所以这是我第一次尝试通过RNN运行一个小的时间序列数据集，但是经过大量的搜索，我一直没能找到，
1.如何利用这一方法对n个周期进行预测？(类似于ARIMA中的model.predict(start，end)函数)。
2.是否有更好的使用神经网络的方法来做到这一点？
有关数据的详细信息在下面的代码中作为注释给出。谢谢。
'''
total timeseries data points = 39
frequency = Months
train = 36
test = 3
Need to forecast 3 periods ahead upto 42, currentl
浏览 0提问于2018-06-11得票数 2
我正在学习tensorflow2.0，并遵循。在rnn示例中，我找到了以下代码：
def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim,
batch_input_shape=[batch_size, None]),
tf.keras.layers.LSTM(rnn_unit
浏览 0提问于2019-03-22得票数 8
7回答
我看不出伯特是如何在不使用解码器的情况下做出预测的，这是之前所有模型的一部分，包括变压器和标准RNN。如何在不使用解码器的情况下在BERT体系结构中进行输出预测？怎么才能完全消除解码器呢？
换句话说，我可以用什么解码器和伯特一起生成输出文本？如果BERT只编码，我可以使用什么库/工具从嵌入解码？
浏览 0提问于2019-12-21得票数 22
回答已采纳
我有一个张量，它需要使用tensorflow LSTM/RNN预测序列中的下一个元素，同时考虑前面的5个元素。我应该在X和Y中输入什么？
从1 2 3 4 5开始，我想预测6
假设我的输入序列X是：
X = 1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
...
我的Y是：
Y = 2 3 4 5 6
7 8 9 10 11
12 13 14 15 16
... ?
或者我应该喂它：
X = 1 2 3 4 5
2 3 4 5 6
3 4 5 6 7
....
我的Y是：
Y = 6
浏览 14提问于2017-03-13得票数 2
回答已采纳
2回答
双向RNN由两个RNN组成，一个用于前向，另一个用于后向顺序方向，其结果在每个时间步骤中被串联。这种配置是否会限制模型始终使用固定的序列长度？还是它仍然作为单向RNN工作，可以应用于任何序列长度？
之所以提出这个问题，是因为双向体系结构在每个时间步骤合并了前向和后向RNN的输出。因此，如果序列长度为4，则前向和后向RNN的输出都将以这样的方式合并:1向前与4后退，2向前与3后退，.4前进与1后退。但是，如果使用了不同的序列长度，则将修改合并顺序：
假设网络使用序列长度4进行训练，但在测试时使用的序列长度为5。合并将是:1前进第5后退，第2前进与第4后退.第5位前进，第1位后退。这种合并顺序的变
浏览 0提问于2020-06-09得票数 4
回答已采纳
我试图创建一个模型，预测未来的股票数据使用13个数据功能。我使用的是TimeseriesGenerator，但是当我试图安装我的模型时，我收到了一个错误，上面写着：
ValueError:检查输入时出错:期望lstm_1_input具有形状(529，13)，但得到形状为(5，13)的数组
我的数据集有529行，我想用来训练它们来预测未来的5天。如能在这方面提供任何协助，将不胜感激。
# Part 1 - Data Preprocessing
# Importing the Libraries
import numpy as np
import matplotlib.pyplot as plt
浏览 1提问于2019-07-28得票数 0
回答已采纳
我有一个TensorFlow RNN模型，在该模型中我进行以下调用
outputs, next_state = tf.nn.dynamic_rnn(rnn_layers, embedded_input, initial_state=state)
我想为next_state变量命名，这样我以后就可以用get_tensor_by_name检索它了。有什么简单的方法可以做到这一点吗？
浏览 0提问于2016-10-09得票数 2
我是火炬和lua的新手(任何关注我最新帖子的人都可以证明:)，并对gmodule对象的前向函数(类been )有以下问题。
根据源代码( - as类gmodule继承自nn.module)，语法是：
function Module:forward(input)
return self:updateOutput(input)
end
但是，我发现了将表作为输入传递的情况，如下所示：
local lst = clones.rnn[t]:forward{x[{{}, t}], unpack(rnn_state[t-1])}
其中：
clones.rnn[t]
本身就是一个gmodule对象。反
浏览 1提问于2016-01-10得票数 1
回答已采纳
2回答
我已经对LSTM进行了如下编码。现在我想比较一下RNN和LSTM的性能。实际上，我知道LSTM是一种RNN。但是我如何在Keras上获取RNN的结果呢？我在Keras上找不到合适的RNN代码示例。
model = Sequential()
model.add(LSTM(15, input_shape=(max_fixation_length, feature_size,), return_sequences=True))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# Compile model
浏览 1提问于2017-11-06得票数 0
1回答
我用自己的数据集重新创建了一个情感分析机器学习项目，并对其进行了一些小的修改，以缩短完成时间。我可以创建一个好的模型，编译它，对它进行拟合，并在没有问题的情况下测试它。然而，问题在于如何给模型传递一个新的字符串/文章，作为回报，它可以预测字符串注释是正的还是负的，并希望有人能帮助我。
我把我的代码贴在下面供你审阅。
class tensor_rnn():
def __init__(self, corp_paths, hidden_layers=3, loadfile=True):
self.h_layers = hidden_layers
self.num_words = []
浏览 0提问于2018-10-23得票数 0
回答已采纳
1回答
我是机器学习的新手，我正在尝试在MATLAB上实现一个神经网络，以便根据证券收盘价的过去值来预测股票市场证券的下一个未来收盘价。现在我对此感到迷惑，所以我想从一个比我更了解神经网络的人那里寻求一些指导。
因此，为了进行预测，我尝试使用递归神经网络(RNN)。为此，我使用MATLAB的本机函数layrecnet。我用来训练RNN的输入是给定日期范围内的每日收盘价(例如，2010年1月1日到2015年1月1日)，我使用的目标与输入相同，但在时间上移动了一个单位。
例如，如果我们有输入：
inputSeries = [0.1 0.2 0.3 0.4 0.5 0.6 0.61 0.62]
那么我使用的
浏览 5提问于2017-01-02得票数 0
1回答
我是RNN的新手，我想使用Tensorflow构建一个一对多的RNN。我的模型中的“一个”输入是一个3个坐标的向量(类似于x0，y0，z0)，而我希望实现的“许多”输出是一个由50个数字组成的序列，每个时间步对应一个数字。
例如，我在三维空间中给出了这个单点，比如P= 1，2，3，我希望预测一个50个数字的序列，表示该点50个连续时间步长的温度。
我搜索了很多关于示例代码的内容，但我在网上找不到一个好的一对多RNN。非常感谢你在这方面的帮助。
浏览 0提问于2020-10-09得票数 1
2回答
我正在研究https://www.tensorflow.org/tutorials/text/text_generation上的一个Keras示例 这个模型是这样构建的： def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim,
batch_input_shape
浏览 18提问于2020-10-31得票数 1
回答已采纳
我正在使用Tensorflow的组合GRUCell + MultiRNNCell + dynamic_rnn来生成一个多层LSTM来预测元素序列。
在我所见过的几个例子中，如字符级语言模型，一旦完成了训练阶段，一代人似乎一次只输入一个“字符”(或任何元素)来得到下一个预测，然后根据第一个预测得到下面的“字符”，等等。
我的问题是，既然Tensorflow的dynamic_rnn将RNN图展开成任意数量的步骤，那么一旦逐步建立预测，一次只输入一个元素有什么好处呢？用每一个预测步骤逐步收集一个较长的序列，并将其重新输入到图表中，难道不是更有意义吗？也就是说，在生成第一个预测之后，反馈一个由2个元素
浏览 5提问于2017-04-18得票数 0
回答已采纳
1回答
用tensorflow进行预测
、、、、
我真的是张量流的初学者，在所有这个领域，但是我在CS231n课上看过Andrej的所有讲座，所以我理解了代码。
这是代码(不是我的)：
# Implementing an RNN in TensorFlow
# ----------------------------------
#
# We implement an RNN in TensorFlow to predict spam/ham from texts
#
# https://github.com/nfmcclure/tensorflow_cookbook/blob/master/09_Recurrent_Neural_Netwo
浏览 2提问于2017-09-07得票数 0
多特征神经网络的问题是模棱两可的，在区分不同的特性方面没有明确的区别。我想了解如何使用RNN预测时间序列的多个特征，包括非数字数据，以及。作为一种深度学习模型，我假设我不需要量化非数字元素。
假设销售数据
Sales | Weather | Holiday | Temperature
100 | Windy | Yes | 3
2000 | Sunny | Yes | 20
200 | Sunny | No | 30
-5 | Stormy | No | 3
-50 | Cold | No | -50
500
浏览 0提问于2017-08-17得票数 5
1回答
我想预测一些与空间天气相关的指标(kp，Dst等)。使用RNN或LSTM。建立多对一模型是可能的，尽管它显示出较低的准确性。然而，我的目标是通过过去3天的观察来预测未来的7天。
问题是，是否有可能在功能上构建具有更长输出长度(或时间步长)的RNN？而不是输入？
任何帮助都将不胜感激！请帮帮我。
浏览 13提问于2018-08-16得票数 1
回答已采纳
2回答
我目前正在学习神经网络，但我还没有探索像RNN和CNN这样最成功的预测体系结构。我很好奇是否有一种方法可以将标准网络应用于预测时间序列中的未来值。
如果是这样，有没有一种方法可以在将这些数据点传递到网络之前将它们链接起来？
谢谢。
浏览 4提问于2018-02-02得票数 1
因此，我试图训练一个简单的递归网络来检测输入信号中的“突发”。下图显示了RNN的输入信号(蓝色)和所需的(分类)输出，红色显示。
因此，每当检测到突发时，网络的输出应该从1切换到0，并与该输出保持一致。用于训练RNN的输入序列之间唯一的变化是发生突发的时间步长。
按照关于的教程，我无法学习RNN。学习的RNN总是以“无记忆”的方式操作，即不使用内存进行预测，如下面的示例行为所示：
绿线显示网络的预测输出。，我在这个例子中做错了什么，这样网络就不能被正确地学习？网络任务不是很简单吗？
我在用：
torch.nn.CrossEntropyLoss作为损失函数
Adam学习优
浏览 0提问于2018-10-17得票数 11
回答已采纳
2回答
我将研究一个需要用RNN或深层神经网络来解决的问题。一般来说，问题在于预测金融价值。所以，因为我被赋予了财务数据的顺序作为输入，我认为RNN会更好。另一方面，我认为如果能将数据拟合成某种结构，则可以更好地使用DNN进行训练，因为DNN中的训练阶段比RNN容易。例如，我可以得到最后一个月的信息，并保留30个输入，并预测31天，同时使用DNN。从这个角度看，我不明白RNN相对于DNN的优势。我的第一个问题是RNN或DNN在这个问题中的正确用法。
我的第二个问题有些基本。在训练RNN的时候，难道网络不可能变得“混乱”吗？我的意思是，考虑以下输入: 10101111，我们的输入是一个数字0或1，我们有
浏览 1提问于2015-07-18得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
