recurrent-neural-network

    0熱度

    1回答

    我已經在keras中編寫了這個RNN文本分類系統,並提供了網上提供的教程。它工作正常,並顯示輸出。但是,有人可以檢查我的代碼,並告訴我我的實現是否正確? # LSTM with dropout for sequence classification import numpy from keras.models import Sequential from keras.layers impor

    0熱度

    1回答

    我想建立一個RNN與tensorflow,並且它可以在時間序列轉換爲一個單一的連續值。例如,輸入時間序列x爲[x1,x2,x3,x4,...,xt]=[1,2,3,4,...,100],對應輸出y爲98.5,就像對時間序列進行評分一樣。我在Yoshua Bengio的深度學習書中找到了這個數字,而這個RNN模型就是我想要的。有沒有有用的閱讀材料可以幫助我解決問題?

    3熱度

    1回答

    我試圖構建一個簡單的例子,通過Tensorflow使用LSTM RNN預測某些目標系列的時間序列值,給定已知輸入時間序列。 Link to example problem 我想 what I try to accomplish formally 在本質上我認爲是小區A的輸出和下面的基質MULT應該充當: X = np.zeros([40,2,1]) A = np.zeros([40,1,2])

    0熱度

    1回答

    這是代碼 num_epochs = 100 total_series_length = 50000 truncated_backprop_length = 15 state_size = 4 num_classes = 2 echo_step = 3 batch_size = 5 num_batches = total_series_length//batch_size//trunc

    2熱度

    1回答

    通常將一個密集的完全連接的層添加爲循環神經網絡(其具有一個或多個層)頂部的最後一層以便學習到最終的減少輸出維度。 假設我需要一個-1到1範圍的輸出,在這種情況下,我會使用一個具有tanh激活函數的密集圖層。 我的問題是:爲什麼不添加另一個經常性層而不是內部大小爲1? 這將是不同的(在傳播的意義上說,通過時間),但它會在密集層的缺點嗎?

    1熱度

    1回答

    我一直在試圖實現一個經常性網絡來計算一系列數字的總和。我打算試圖使它接受可變長度的序列,但可以開始輸入長度固定爲5 實施例: [1,2,3,4,5] = 15 我遇到的問題是,一旦它收斂,或至少損失穩定下來,對於我給它的任何輸入,它給出相同的輸出。 例 [3,4,5,1,1] = 134.59681 [400,1,1,1,1] = 134.59681 [32,42,55,1,1] = 13

    6熱度

    1回答

    我使用tf.python.ops.rnn_cell.GRUCell output, state = tf.nn.dynamic_rnn( GRUCell(HID_DIM), sequence, dtype=tf.float32, sequence_length=length(sequence) ) 我如何獲得這個GRUCell的權重。我需要看到他

    2熱度

    1回答

    我有一個Tensorflow模型,它是一個使用長期短期記憶的遞歸神經網絡。狀態大小爲3000,每次輸入步驟有300個輸入,大約有500個時間步,每個時間步有1個輸出。我正在訓練一個序列到序列的模型。 它運行罰款輸入小於500層時的步驟,但地方約500個時間步長,它具有以下內存不足錯誤崩潰: ResourceExhaustedError (see above for traceback): OOM

    3熱度

    2回答

    我對什麼是動態RNN(即dynamic_rnn)感到困惑。它在TensorFlow中返回輸出和狀態。這些狀態和輸出是什麼?在TensorFlow中,什麼是動態RNN中的動態?

    -1熱度

    1回答

    我試圖從CSV文件中讀取大量文本字符串。每個字符串通過換行符分隔,並且沒有長度相同。 Tensorflow網站上的文檔提供瞭如何輸入csv數據的說明,但不清楚,也不適用於我的問題。所以我的問題是,從CSV文件中獲取大量短的(< 140個字符)字符串並使用張量流數據管道將它們輸入到RNN或LSTM中的最佳方法是什麼?