开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用和不使用nn.RNN之间的代码差异

主要体现在模型的定义和数据的处理上。

模型定义：

不使用nn.RNN时，需要手动定义RNN的参数（如隐藏层大小、层数、输入维度等），并在forward函数中编写RNN的前向传播逻辑。
使用nn.RNN时，只需实例化一个nn.RNN对象，并在forward函数中调用该对象即可。nn.RNN会自动处理RNN的参数和前向传播逻辑。

数据处理：

不使用nn.RNN时，需要手动将输入序列按时间步展开，并逐步输入RNN模型进行计算。
使用nn.RNN时，只需将整个输入序列直接传入nn.RNN模型即可，nn.RNN会自动按时间步展开并进行计算。

下面是一个使用和不使用nn.RNN的示例代码：

不使用nn.RNN的代码：

import torch
import torch.nn as nn

class MyRNN(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers):
        super(MyRNN, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.rnn = nn.RNN(input_size, hidden_size, num_layers)

    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(1), self.hidden_size)
        out, _ = self.rnn(x, h0)
        return out

input_size = 10
hidden_size = 20
num_layers = 2
seq_length = 5
batch_size = 3

x = torch.randn(seq_length, batch_size, input_size)
model = MyRNN(input_size, hidden_size, num_layers)
output = model(x)
print(output.shape)

使用nn.RNN的代码：

import torch
import torch.nn as nn

input_size = 10
hidden_size = 20
num_layers = 2
seq_length = 5
batch_size = 3

x = torch.randn(seq_length, batch_size, input_size)
rnn = nn.RNN(input_size, hidden_size, num_layers)
output, _ = rnn(x)
print(output.shape)

在这个例子中，我们定义了一个简单的RNN模型，输入序列的维度为10，隐藏层大小为20，层数为2。使用nn.RNN时，只需实例化一个nn.RNN对象，并将输入序列直接传入该对象即可。不使用nn.RNN时，需要手动定义RNN的参数，并在forward函数中编写RNN的前向传播逻辑。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云产品：云服务器（https://cloud.tencent.com/product/cvm）
腾讯云产品：云数据库MySQL版（https://cloud.tencent.com/product/cdb_mysql）
腾讯云产品：人工智能平台（https://cloud.tencent.com/product/ai）
腾讯云产品：物联网开发平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云产品：云存储（https://cloud.tencent.com/product/cos）
腾讯云产品：区块链服务（https://cloud.tencent.com/product/tbaas）
腾讯云产品：腾讯云游戏引擎（https://cloud.tencent.com/product/gse）
腾讯云产品：腾讯云直播（https://cloud.tencent.com/product/lvb）
腾讯云产品：腾讯云音视频（https://cloud.tencent.com/product/tcav）
腾讯云产品：腾讯云CDN（https://cloud.tencent.com/product/cdn）
腾讯云产品：腾讯云安全（https://cloud.tencent.com/product/safe）
腾讯云产品：腾讯云网络（https://cloud.tencent.com/product/vpc）
腾讯云产品：腾讯云弹性伸缩（https://cloud.tencent.com/product/as）
腾讯云产品：腾讯云容器服务（https://cloud.tencent.com/product/ccs）
腾讯云产品：腾讯云函数计算（https://cloud.tencent.com/product/scf）
腾讯云产品：腾讯云消息队列（https://cloud.tencent.com/product/cmq）
腾讯云产品：腾讯云日志服务（https://cloud.tencent.com/product/cls）
腾讯云产品：腾讯云监控（https://cloud.tencent.com/product/monitor）
腾讯云产品：腾讯云域名注册（https://cloud.tencent.com/product/domain）
腾讯云产品：腾讯云SSL证书（https://cloud.tencent.com/product/ssl）
腾讯云产品：腾讯云内容分发网络（https://cloud.tencent.com/product/cdn）
腾讯云产品：腾讯云云解析（https://cloud.tencent.com/product/dns）
腾讯云产品：腾讯云云数据库MongoDB版（https://cloud.tencent.com/product/cdb_mongodb）
腾讯云产品：腾讯云云数据库Redis版（https://cloud.tencent.com/product/cdb_redis）
腾讯云产品：腾讯云云数据库TDSQL版（https://cloud.tencent.com/product/cdb_tdsql）
腾讯云产品：腾讯云云数据库MariaDB版（https://cloud.tencent.com/product/cdb_mariadb）
腾讯云产品：腾讯云云数据库SQL Server版（https://cloud.tencent.com/product/cdb_sqlserver）
腾讯云产品：腾讯云云数据库PostgreSQL版（https://cloud.tencent.com/product/cdb_postgresql）
腾讯云产品：腾讯云云数据库OceanBase版（https://cloud.tencent.com/product/cdb_oceanbase）
腾讯云产品：腾讯云云数据库ClickHouse版（https://cloud.tencent.com/product/cdb_clickhouse）
腾讯云产品：腾讯云云数据库PolarDB版（https://cloud.tencent.com/product/cdb_polardb）
腾讯云产品：腾讯云云数据库Greenplum版（https://cloud.tencent.com/product/cdb_greenplum）
腾讯云产品：腾讯云云数据库Oracle版（https://cloud.tencent.com/product/cdb_oracle）
腾讯云产品：腾讯云云数据库DB2版（https://cloud.tencent.com/product/cdb_db2）
腾讯云产品：腾讯云云数据库Sybase版（https://cloud.tencent.com/product/cdb_sybase）
腾讯云产品：腾讯云云数据库Oceanus版（https://cloud.tencent.com/product/cdb_oceanus）
腾讯云产品：腾讯云云数据库HBase版（https://cloud.tencent.com/product/cdb_hbase）
腾讯云产品：腾讯云云数据库Cassandra版（https://cloud.tencent.com/product/cdb_cassandra）
腾讯云产品：腾讯云云数据库Neo4j版（https://cloud.tencent.com/product/cdb_neo4j）
腾讯云产品：腾讯云云数据库InfluxDB版（https://cloud.tencent.com/product/cdb_influxdb）
腾讯云产品：腾讯云云数据库Elasticsearch版（https://cloud.tencent.com/product/cdb_elasticsearch）
腾讯云产品：腾讯云云数据库TiDB版（https://cloud.tencent.com/product/cdb_tidb）
腾讯云产品：腾讯云云数据库MongoDB免费版（https://cloud.tencent.com/product/cdb_mongodb_free）
腾讯云产品：腾讯云云数据库Redis免费版（https://cloud.tencent.com/product/cdb_redis_free）
腾讯云产品：腾讯云云数据库TDSQL免费版（https://cloud.tencent.com/product/cdb_tdsql_free）
腾讯云产品：腾讯云云数据库MariaDB免费版（https://cloud.tencent.com/product/cdb_mariadb_free）
腾讯云产品：腾讯云云数据库SQL Server免费版（https://cloud.tencent.com/product/cdb_sqlserver_free）
腾讯云产品：腾讯云云数据库PostgreSQL免费版（https://cloud.tencent.com/product/cdb_postgresql_free）
腾讯云产品：腾讯云云数据库OceanBase免费版（https://cloud.tencent.com/product/cdb_oceanbase_free）
腾讯云产品：腾讯云云数据库ClickHouse免费版（https://cloud.tencent.com/product/cdb_clickhouse_free）
腾讯云产品：腾讯云云数据库PolarDB免费版（https://cloud.tencent.com/product/cdb_polardb_free）
腾讯云产品：腾讯云云数据库Greenplum免费版（https://cloud.tencent.com/product/cdb_greenplum_free）
腾讯云产品：腾讯云云数据库Oracle免费版（https://cloud.tencent.com/product/cdb_oracle_free）
腾讯云产品：腾讯云云数据库DB2免费版（https://cloud.tencent.com/product/cdb_db2_free）
腾讯云产品：腾讯云云数据库Sybase免费版（https://cloud.tencent.com/product/cdb_sybase_free）
腾讯云产品：腾讯云云数据库Oceanus免费版（https://cloud.tencent.com/product/cdb_oceanus_free）
腾讯云产品：腾讯云云数据库HBase免费版（https://cloud.tencent.com/product/cdb_hbase_free）
腾讯云产品：腾讯云云数据库Cassandra免费版（https://cloud.tencent.com/product/cdb_cassandra_free）
腾讯云产品：腾讯云云数据库Neo4j免费版（https://cloud.tencent.com/product/cdb_neo4j_free）
腾讯云产品：腾讯云云数据库InfluxDB免费版（https://cloud.tencent.com/product/cdb_influxdb_free）
腾讯云产品：腾讯云云数据库Elasticsearch免费版（https://cloud.tencent.com/product/cdb_elasticsearch_free）
腾讯云产品：腾讯云云数据库TiDB免费版（https://cloud.tencent.com/product/cdb_tidb_free）
腾讯云产品：腾讯云云数据库MongoDB免费版（https://cloud.tencent.com/product/cdb_mongodb_free）
腾讯云产品：腾讯云云数据库Redis免费版（https://cloud.tencent.com/product/cdb_redis_free）
腾讯云产品：腾讯云云数据库TDSQL免费版（https://cloud.tencent.com/product/cdb_tdsql_free）
腾讯云产品：腾讯云云数据库MariaDB免费版（https://cloud.tencent.com/product/cdb_mariadb_free）
腾讯云产品：腾讯云云数据库SQL Server免费版（https://cloud.tencent.com/product/cdb_sqlserver_free）
腾讯云产品：腾讯云云数据库PostgreSQL免费版（https://cloud.tencent.com/product/cdb_postgresql_free）
腾讯云产品：腾讯云云数据库OceanBase免费版（https://cloud.tencent.com/product/cdb_oceanbase_free）
腾讯云产品：腾讯云云数据库ClickHouse免费版（https://cloud.tencent.com/product/cdb_clickhouse_free）
腾讯云产品：腾讯云云数据库PolarDB免费版（https://cloud.tencent.com/product/cdb_polardb_free）
腾讯云产品：腾讯云云数据库Greenplum免费版（https://cloud.tencent.com/product/cdb_greenplum_free）
腾讯云产品：腾讯云云数据库Oracle免费版（https://cloud.tencent.com/product/cdb_oracle_free）
腾讯云产品：腾讯云云数据库DB2免费版（https://cloud.tencent.com/product/cdb_db2_free）
腾讯云产品：腾讯云云数据库Sybase免费版（https://cloud.tencent.com/product/cdb_sybase_free）
腾讯云产品：腾讯云云数据库Oceanus免费版（https://cloud.tencent.com/product/cdb_oceanus_free）
腾讯云产品：腾讯云云数据库HBase免费版（https://cloud.tencent.com/product/cdb_hbase_free）
腾讯云产品：腾讯云云数据库Cassandra免费版（https://cloud.tencent.com/product/cdb_cassandra_free）
腾讯云产品：腾讯云云数据库Neo4j免费版（https://cloud.tencent.com/product/cdb_neo4j_free）
腾讯云产品：腾讯云云数据库InfluxDB免费版（https://cloud.tencent.com/product/cdb_influxdb_free）
腾讯云产品：腾讯云云数据库Elasticsearch免费版（https://cloud.tencent.com/product/cdb_elasticsearch_free）
腾讯云产品：腾讯云云数据库TiDB免费版（https://cloud.tencent.com/product/cdb_tidb_free）


请注意，以上链接仅为示例，实际使用时请根据具体需求选择合适的腾讯云产品。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

RNN Layer

假设x的shape是[10, 3, 100]，翻译一下就是，10个单词，每次训练3句话，每个单词用一个100维的tensor来表达

02

RNN 模型介绍

RNN (Recurrent Neural Network), 中文称作循环神经网络, 它一般以序列数据为输入, 通过网络内部的结构设计有效捕捉序列之间的关系特征, 一般也是以序列形式进行输出.

04

TextRNN的PyTorch实现

参考这篇论文Finding Structure in Time(1990)，如果你对RNN有一定的了解，实际上不用看，仔细看我代码如何实现即可。如果你对RNN不太了解，请仔细阅读我这篇文章RNN Layer，结合PyTorch讲的很详细

07

Adam、RNN、归一化、Dropout

主要思想：将整个序列划分成多个时间步，将每个时间步的信息依次输入模型，同时将模型输出的结果传给下一个时间步公式：

01

最简单的RNN回归模型入门(PyTorch)

至于RNN的能做什么，擅长什么，这里不赘述。如果不清楚，请先维基一下，那里比我说得更加清楚。

07

循环神经网络RNN完全解析：从基础理论到PyTorch实战

循环神经网络（Recurrent Neural Network, RNN）是一类具有内部环状连接的人工神经网络，用于处理序列数据。其最大特点是网络中存在着环，使得信息能在网络中进行循环，实现对序列信息的存储和处理。

03

回归模型中的u_什么是面板回归模型

版权声明：本文为博主原创文章，转载请注明原文出处！写作时间：2019-03-02 12:46:15

02

Simple RNN时间序列预测

首先分析一下，假设我们一次输入50个点，batch设为1，每个点就一个值，所以input的shape就是[50, 1, 1]，这里我们换一种表示形式，把batch放在前面，那么shape就是[1, 50, 1]，可以这么理解这个shape，1条曲线，一共有50个点，每个点都是1个实数

02

【Pytorch学习笔记十二】循环神经网络（RNN）详细介绍（常用网络结构及原理）

循环神经网络的来源是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上，循环神经网络会记忆之前的信息，并利用之前的信息影响后面结点的输出。即：循环神经网络的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。其中双向循环神经网络（Bidirectional RNN, Bi-RNN）和长短期记忆网络（Long Short-Term Memory networks，LSTM)是常见的循环神经网络。

用pytorch写个RNN 循环神经网络

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第4天，点击查看活动详情

01

基于代码一步一步教你深度学习中循环神经网络(RNN)的原理

当谈到基于RNN（循环神经网络）的机器学习例子时，一个常见的任务是文本生成。RNN是一种能够处理序列数据的神经网络，它具有记忆能力。以下是一个基于RNN的文本生成例子，并给每一行添加了详细注释：

01

自然语言处理（一）：RNN

「循环神经网络」（Recurrent Neural Network，RNN）是一个非常经典的面向序列的模型，可以对自然语言句子或是其他时序信号进行建模。进一步讲，它只有一个物理RNN单元，但是这个RNN单元可以按照时间步骤进行展开，在每个时间步骤接收当前时间步的输入和上一个时间步的输出，然后进行计算得出本时间步的输出。

03

从零开始学Pytorch（十）之循环神经网络基础

下图展示了如何基于循环神经网络实现语言模型。我们的目的是基于当前的输入与过去的输入序列，预测序列的下一个字符。循环神经网络引入一个隐藏变量

05

fast.ai 深度学习笔记（三）

ruder.io](http://ruder.io/deep-learning-optimization-2017/index.html?source=post_page-----de70d626976c--------------------------------)

01

评论继续送书，史上最容易懂的RNN文章，小白也能看得懂

最近写了一些基础的东西，总是理解性的，没有看到实例，今天就讲一个基础的网络结构RNN，然后写个实例，体验下深度神经网络的牛逼，这次学习下rnn神经网络，虽然看起来好高深，不过不用慌，没有理论，全是大白话，大家都可以懂的。

02

动手学深度学习(十一) NLP循环神经网络

本节介绍循环神经网络，下图展示了如何基于循环神经网络实现语言模型。我们的目的是基于当前的输入与过去的输入序列，预测序列的下一个字符。循环神经网络引入一个隐藏变量

02

Seq2Seq的PyTorch实现

本文介绍一下如何使用 PyTorch 复现 Seq2Seq，实现简单的机器翻译应用，请先简单阅读论文Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation(2014)，了解清楚Seq2Seq结构是什么样的，之后再阅读本篇文章，可达到事半功倍的效果

03

使用Python实现循环神经网络（RNN）的博客教程

循环神经网络（Recurrent Neural Network，RNN）是一种能够处理序列数据的神经网络模型，常用于自然语言处理、时间序列分析等任务。本教程将介绍如何使用Python和PyTorch库实现一个简单的循环神经网络，并演示如何在一个简单的时间序列预测任务中使用该模型。

01

[自然语言处理|NLP] 语音识别中的应用：从原理到实践

随着自然语言处理（NLP）技术的不断发展，它的应用范围逐渐扩展到了语音识别领域。语音识别是一项重要的技术，可以将人类语音转换为文本，为语音交互系统、智能助手等提供支持。本文将深入探讨NLP在语音识别中的应用，探讨其原理、技术方法以及面临的挑战。

[PyTorch小试牛刀]实战五·RNN(LSTM)实现逻辑回归对FashionMNIST数据集进行分类（使用GPU）

结果分析我笔记本配置为CPU i5 8250u GPU MX150 2G内存使用CPU训练时，每100步，58秒左右使用GPU训练时，每100步，3.3秒左右提升了将近20倍，经过测试，使用GPU运算RNN速率大概是CPU的15~20倍，推荐大家使用GPU运算，就算GPU配置差些也可以显著提升效率。

02

[机器学习|理论&实践] 深度学习架构详解：循环神经网络（RNN）的应用

深度学习的迅猛发展使得各种神经网络架构得以涌现，其中之一就是循环神经网络（Recurrent Neural Network，简称RNN）。RNN具有处理序列数据的强大能力，被广泛应用于自然语言处理、时间序列分析等领域。本文将深入探讨RNN的基本原理、应用场景，并结合实例演示其在自然语言生成任务中的应用。

02

RNN-循环神经网络

自然语言处理（Nature language Processing, NLP）研究的主要是通过计算机算法来理解自然语言。对于自然语言来说，处理的数据主要就是人类的语言，我们在进行文本数据处理时，需要将文本进行数据值化，然后进行后续的训练工作。

00

深入解析情感分析技术：从篇章到属性

情感分析，也被称为情绪分析或意见挖掘，是自然语言处理（NLP）的一个分支，旨在识别和提取文本中的主观信息，如情感、情绪或意见。

01

【小白学习PyTorch教程】九、基于Pytorch训练第一个RNN模型

当阅读一篇课文时，我们可以根据前面的单词来理解每个单词的，而不是从零开始理解每个单词。这可以称为记忆。卷积神经网络模型（CNN）不能实现这种记忆，因此引入了递归神经网络模型（RNN）来解决这一问题。RNN是带有循环的网络，允许信息持久存在。

03

模型层

torch.nn中内置了非常丰富的各种模型层。它们都属于nn.Module的子类，具备参数管理功能。

01

[深度学习] RNN对于变长序列的处理方法, 为什么RNN需要mask

文本数据在处理的时候，由于各样本的长度并不一样，有的句子长有的句子短。抛开动态图、静态图模型的差异，由于需要进行矩阵运算，句长需要是等长的才可以，这就需要padding操作。padding一般是用最长的句子长度为最大长度，然后其他样本补0到最大长度，这样样本就是等长的了。

01

一文解码语言模型：语言模型的原理、实战与评估

语言模型（Language Model，简称 LM）是一个用于建模自然语言（即人们日常使用的语言）的概率模型。简单来说，语言模型的任务是评估一个给定的词序列（即一个句子）在真实世界中出现的概率。这种模型在自然语言处理（NLP）的诸多应用中，如机器翻译、语音识别、文本生成等，都起到了关键性的作用。

03

一文解码语言模型：语言模型的原理、实战与评估

语言模型（Language Model，简称 LM）是一个用于建模自然语言（即人们日常使用的语言）的概率模型。简单来说，语言模型的任务是评估一个给定的词序列（即一个句子）在真实世界中出现的概率。这种模型在自然语言处理（NLP）的诸多应用中，如机器翻译、语音识别、文本生成等，都起到了关键性的作用。

03

[源码解析] PyTorch 分布式(14) --使用 Distributed Autograd 和 Distributed Optimizer

在前面的文章之中，我们已经学习了PyTorch 分布式的基本模块，接下来我们通过几篇文章来看看如何把这些模块应用到实践之中，顺便把PyTorch分布式逻辑整体梳理一下。本文介绍如何把分布式自动微分和分布式优化器结合起来训练一个模型。

01

循环神经网络——中篇【深度学习】【PyTorch】【d2l】

02

RNN、LSTM、GRU神经网络构建人名分类器

以一个人名为输入, 使用模型帮助我们判断它最有可能是来自哪一个国家的人名, 这在某些国际化公司的业务中具有重要意义, 在用户注册过程中, 会根据用户填写的名字直接给他分配可能的国家或地区选项, 以及该国家或地区的国旗, 限制手机号码位数等等。

01

人工智能中的文本分类：技术突破与实战指导

文本分类作为人工智能领域的一个重要分支，其价值和影响力已经深入到我们日常生活的各个角落。在这个数据驱动的时代，文本分类不仅是机器学习和深度学习技术的集中展示，更是智能化应用的基础。

01

生成式AI核心技术详解：从GANs到Transformers

生成式AI（Generative AI）作为人工智能的一个重要分支，通过学习大量的数据生成新的数据样本，在多个领域取得了令人瞩目的进展。生成式AI不仅在学术研究中激发了广泛的兴趣，也在工业应用中展示了巨大的潜力，推动了图像生成、文本生成、视频生成等领域的快速发展。

01

「X」Embedding in NLP｜神经网络和语言模型 Embedding 向量入门

首先，简要回顾一下神经网络的构成，即神经元、多层网络和反向传播算法。如果还想更详细深入了解这些基本概念可以参考其他资源，如 CS231n 课程笔记（https://cs231n.github.io/）。

01

pytorch学习笔记(二十一): 使用 pack_padded_sequence

下面附上一张 pack_padded_sequence 原理图（其实只是将三维的输入去掉PAD的部分搞成了二维的。在RNN前向的时候，根据batch_sizes参数取对应的时间步计算。）

02

如何用RNN生成莎士比亚风格的句子？（文末赠书）

作者 | 李理，环信人工智能研发中心vp，十多年自然语言处理和人工智能研发经验。主持研发过多款智能硬件的问答和对话系统，负责环信中文语义分析开放平台和环信智能机器人的设计与研发。

04

认识LSTM模型

LSTM（Long Short-Term Memory）也称长短时记忆结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象。

00

从规则到神经网络：机器翻译技术的演化之路

机器翻译（Machine Translation, MT）是人工智能领域的一项关键技术，旨在实现不同语言之间的自动翻译。自从20世纪中叶首次提出以来，机器翻译已从简单的字面翻译演变为今天高度复杂和精准的语义翻译。这项技术的发展不仅彻底改变了全球信息交流的方式，而且对于经济、政治和文化交流产生了深远影响。

01

实战 | 手把手教你用PyTorch实现图像描述（附完整代码）

作者 | 李理环信人工智能研发中心 VP，十多年自然语言处理和人工智能研发经验。主持研发过多款智能硬件的问答和对话系统，负责环信中文语义分析开放平台和环信智能机器人的设计与研发。想要详细了解该系列文章，营长建议你先阅读上篇：一文详解循环神经网络的基本概念（代码版） Tensor 和TensorFlow 类似，PyTorch 的核心对象也是Tensor。下面是创建Tensor 的代码： x = torch.Tensor(5, 3) print(x) 对应的下标是5，那么在这个下标的值为1，而其余的值为0，

07

【专知中秋呈献-PyTorch手把手深度学习教程03】LSTM快速理解与PyTorch实现: 图文+代码

首先祝各位专知好友，中秋佳节快乐！【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知进行主题搜索查看 - 桌面电脑访问www.zhuanzhi.ai, 手机端访问www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。值国庆佳节，专知特别推出独家特刊-来自中科院自动化所专知小组博士生huaiwen和Jin创

06

变分自编码器（VAE）在AIGC中的应用及其技术解析

变分自编码器（Variational Autoencoder, VAE）是一种生成模型，在人工智能生成内容（AI-Generated Content, AIGC）领域中具有广泛的应用。本文将介绍VAE的基本原理、技术细节，并通过代码实例展示其在AIGC中的具体应用。

02

浅入浅出深度学习理论实践前言CNN/RNN理解Attention理解深度学习传统领域的应用关于深度学习一些想法

之前在知乎上看到这么一个问题：在实际业务里，在工作中有什么用得到深度学习的例子么？用到 GPU 了么？，回头看了一下自己写了这么多东西一直围绕着traditional machine learning，所以就有了一个整理出深度学习在我熟悉的风控、推荐、CRM等等这些领域的用法的想法。

02

浅入浅出深度学习理论与实践

前言之前在知乎上看到这么一个问题：在实际业务里，在工作中有什么用得到深度学习的例子么？用到 GPU 了么？，回头看了一下自己写了这么多东西一直围绕着traditional machine learning，所以就有了一个整理出深度学习在我熟悉的风控、推荐、CRM等等这些领域的用法的想法。我想在这边篇文章浅入浅出的谈谈这几个方面，当然深度学习你所要了解必然不仅仅如此，后面如果有机会我会一篇篇的完善： CNN/RNN理解 Attention理解深度学习（CNN和RNN）传统领域的简单应用关于深度学习的一

TensorFlow Lite在Kika Keyboard中的应用案例分享

『基于 AI 技术变革沟通，让世界沟通更简单』一直是 Kika keyboard 最重要的使命。从2016年开始，Kika 技术团队一直致力于 AI 技术在移动端落地，尤其是在 keyboard 输入法引擎做了很多算法与工程上的探索工作。2017 年 5 月，Kika 技术团队基于 TensorFlow Mobile 研发了 Kika AI Engine，将其应用于 Kika 的全系输入法产品中。2017 年 11 月，Google 发布 TensorFlow Lite (TF Lite) 后，Kika 技术团队迅速进行了跟进，并于 2018 年 1 月成功地开发了基于 TF Lite 全新一代的 Kika AI Engine，同时进行了线上产品的更新。

04

深度学习——RNN（3）

前言：在语言结构中，由于词语之间是存在时序关系的，所以RNN在语言处理方面发挥着很大的优势，下面构建一个最简单的RNN结构来实现一个给定几个单词预测下一个单词是什么。实现的关键是对单词和数字之间的相互转换。详细代码可见：https://github.com/dctongsheng/vocab_predict_rnn 读取数据： def read_data(filename): with open(filename) as f: content = f.readlines()

05

PyTorch 人工智能研讨会：6~7

本章扩展了循环神经网络的概念。您将了解循环神经网络（RNN）的学习过程以及它们如何存储内存。本章将介绍长短期记忆（LSTM）网络架构，该架构使用短期和长期存储器来解决数据序列中的数据问题。在本章的最后，您将牢固地掌握 RNN 以及如何解决自然语言处理（NLP）数据问题。

01

药物设计的深度学习

过去的十年中，深度学习（deeplearning, DL）方法已经非常成功并广泛用于开发几乎每个领域的人工智能（AI）。与传统的机器学习（machine learning, ML）算法相比，DL方法在小分子药物发现和开发方面还有很长的路要走。对于DL研究的推广和应用，例如小分子药物研究和开发，还有很多工作要做。本综述主要讨论了监督学习和非监督学习等几种最强大和主流的体系结构，包括卷积神经网络（CNN）、递归神经网络（RNN）和深度自动编码器网络（DAENs），总结了小分子药物设计中的大部分代表性应用；并简要介绍了如何在这些应用程序中使用DL方法。还强调了关于DL方法利弊的讨论以及我们需要解决的主要挑战。

05

标准化层（BN，LN，IN，GN）介绍及代码实现

在神经网络搭建时，通常在卷积或者RNN后都会添加一层标准化层以及激活层。今天介绍下常用标准化层--batchNorm，LayerNorm，InstanceNorm，GroupNorm的实现原理和代码。

来聊聊批归一化BN（Batch Normalization）层

Batch Normalization (BN) 是最早出现的，也通常是效果最好的归一化方式。feature map：

02

深度学习算法中的长短期记忆网络（Long Short-Term Memory）

深度学习是一种在人工智能领域中具有重要影响力的技术，它已经在各种任务中取得了显著的成果。而在深度学习算法中，长短期记忆网络（Long Short-Term Memory，LSTM）是一种特殊的循环神经网络（Recurrent Neural Network，RNN），它在序列数据建模中具有出色的能力。本文将深入探讨LSTM网络的原理和应用，以及它在深度学习领域的重要性。

03

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭