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

MXNet:非序列数据(R)中以LSTM表示的序列长度

MXNet是一个开源的深度学习框架，它提供了丰富的工具和库，用于构建和训练神经网络模型。MXNet支持多种编程语言，包括R语言。

LSTM（Long Short-Term Memory）是一种循环神经网络（RNN）的变体，用于处理序列数据。与传统的RNN相比，LSTM具有更强的记忆能力，能够更好地捕捉长期依赖关系。在非序列数据中，我们可以使用LSTM来表示序列的长度。

MXNet提供了丰富的API和函数，用于构建和训练LSTM模型。通过使用MXNet的R语言接口，我们可以轻松地在非序列数据中使用LSTM来表示序列的长度。

优势：

高效性能：MXNet采用了高度优化的计算图和并行计算技术，能够在多个设备上高效地运行，提供快速的训练和推理速度。
灵活性：MXNet支持动态图和静态图两种计算模式，可以根据需求选择适合的模式。动态图适用于快速原型设计和调试，静态图适用于优化和部署。
跨平台支持：MXNet可以在多种硬件设备上运行，包括CPU、GPU和专用神经网络加速器。它也支持多种操作系统和编程语言，提供了广泛的部署选项。
社区支持：MXNet拥有活跃的开源社区，提供了丰富的文档、教程和示例代码，可以帮助开发者快速上手和解决问题。

应用场景：

自然语言处理（NLP）：LSTM在NLP领域中被广泛应用，用于处理文本数据，如情感分析、机器翻译、文本生成等任务。
语音识别：LSTM可以用于处理语音信号，实现语音识别和语音合成等应用。
时间序列预测：LSTM可以处理时间序列数据，如股票价格预测、天气预测等任务。
图像处理：LSTM可以用于图像描述生成、图像生成等图像处理任务。

腾讯云相关产品：

腾讯云提供了多个与深度学习和人工智能相关的产品和服务，可以与MXNet结合使用，例如：

弹性GPU：提供了高性能的GPU实例，用于加速深度学习模型的训练和推理。
人工智能引擎（AI Engine）：提供了丰富的人工智能算法和模型，可用于图像识别、语音识别、自然语言处理等任务。
机器学习平台（ML Platform）：提供了完整的机器学习开发和部署环境，包括数据处理、模型训练、模型评估等功能。

更多关于腾讯云的产品和服务信息，可以访问腾讯云官方网站：https://cloud.tencent.com/

相关搜索:Pytorch中的LSTM :如何添加/更改序列长度维度？在LSTM中包含分类特征和序列以进行序列预测的最佳实践？R码中fibonacci序列的替换长度为零 R中的子集时间序列数据在python中，固定长度的序列以增量重复计算时间序列数据R中的回报向量在参数函数中的长度和R中的序列填充识别R中的启动和停止序列以及运行长度游程长度编码(输出数据中每个重复序列的长度和数据值)在ValueError中输入数据结果:替换的长度必须等于序列长度将数据转换为R中的时间序列在R中总结数据帧的某些序列基于R中的时间序列列提取数据替换R中时间序列数据中的缺失值从R中的tibble创建时间序列对象以生成ggseasonplot 序列化程序DRF中数据的非模型字段为R中每日采样的数据创建时间序列 R中每小时数据的时间序列预测在R中填充时间序列数据的缺失行 R中的聚合函数以创建时间序列数据

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

学界丨基准测评当前最先进的 5 大深度学习开源框架

AI 科技评论按：本文转自微信公众号医AI (med-ai)，来源：arXiv.org，论文作者：Shaohuai Shi, Qiang Wang, Pengfei Xu, Xiaowen Chu，译者：吴博, Elaine, Melody 在 2016 年推出深度学习工具评测的褚晓文团队，赶在猴年最后一天，在 arXiv.org 上发布了最新的评测版本。这份评测的初版，通过国内AI自媒体的传播，在国内业界影响很大。在学术界，其反响更是非同一般。褚晓文教授在1月5日的朋友圈说David Patterso

05

基准评测 TensorFlow、Caffe、CNTK、MXNet、Torch 在三类流行深度神经网络上的表现（论文）

【新智元导读】新年伊始，新智元向你推荐香港浸会大学计算机学院褚晓文团队最新论文《基准评测当前最先进的深度学习软件工具》，评测了 Caffe、CNTK、MXNet、TensorFlow、Torch 这五个最受欢迎的DL框架在 FCN、CNN、RNN 上的表现。这是伯克利RISE实验室大牛、RISC之父 David Patterson 也在关注的深度学习库评测。论文作者强调这是一个开源项目，所有配置文件和实验数据均在 http: //www.comp.hkbu.edu.hk/∼chxw/dlbench.html

08

cnocr:用来做中文OCR的Python3包，装上就能用！

cnocr是用来做中文OCR的Python 3包。cnocr自带了训练好的识别模型，安装后即可直接使用。

01

cnocr:用来做中文OCR的Python3包，装上就能用！

cnocr主要针对的是排版简单的印刷体文字图片，如截图图片，扫描件等。cnocr目前内置的文字检测和分行模块无法处理复杂的文字排版定位。如果要用于场景文字图片的识别，需要结合其他的场景文字检测引擎使用。

03

亚马逊开源神经机器翻译框架Sockeye：基于Apache MXNet的NMT平台

选自Amazon 机器之心编译参与：机器之心编辑部随着神经机器翻译（NMT）技术的不断演进，越来越多的科研机构和公司选择开源自己的项目，让更多人能够开发出自己的 NMT 模型。此前，清华大学开源了神经机器翻译工具包 THUMT，谷歌也推出了基于 TensorFlow 的 NMT 模型搭建教程。作为 MXNet 的支持者，亚马逊也开源了自己的 NMT 框架 Sockeye。在本文中，亚马逊宣称这个基于 MXNet 的工具可以用于构建目前业内表现最佳的神经机器翻译模型。 Sockeye GitHub 链接：

08

业界 | MXNet开放支持Keras，高效实现CNN与RNN的分布式训练

作者：Lai Wei、Kalyanee Chendke、Aaron Markham、Sandeep Krishnamurthy 机器之心编译参与：路、王淑婷今日 AWS 发布博客宣布 Apache MXNet 已经支持 Keras 2，开发者可以使用 Keras-MXNet 深度学习后端进行 CNN 和 RNN 的训练，安装简便，速度提升，同时支持保存 MXNet 模型。感谢 Keras 和 Apache MXNet（孵化）开源项目的贡献者，Keras-MXNet 深度学习后端现已可用。地址：ht

03

MXNet 宣布支持 Keras 2，可更加方便快捷地实现 CNN 及 RNN 分布式训练

AI 研习社按，近期，AWS 表示 MXNet 支持 Keras 2，开发者可以使用 Keras-MXNet 更加方便快捷地实现 CNN 及 RNN 分布式训练。AI 研习社将 AWS 官方博文编译如下。

07

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类|附代码数据

本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类。最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。

00

视频目标检测大盘点

视频目标识别是自主驾驶感知、监控、可穿戴设备和物联网等应用的一项重要任务。由于图像模糊、遮挡或不寻常的目标姿态，使用视频数据进行目标识别比使用静止图像更具挑战性。因为目标的外观可能在某些帧中恶化，通常使用其他帧的特征或检测来增强预测效果。解决这一问题的方法有很多: 如动态规划、跟踪、循环神经网络、有/无光流的特征聚合以跨帧传播高层特征。有些方法采用稀疏方式进行检测或特征聚合，从而大大提高推理速度。主流的多帧无光流特征聚合和 Seq-NMS 后处理结合精度最高，但速度较慢（GPU 上小于10 FPS）。在准确率和速度之间需要权衡: 通常更快的方法准确率较低。所以研究兼具准确率和速度的新方法仍然有很大潜力。

03

独家 | 一文读懂深度学习（附学习资源）

Figure1. Deep learning导图前言深度学习（deep learning）的概念最早可以追溯到1940-1960年间的控制论（cybernetics），之后在1980-1990年间发展为连接主义（connectionism），第三次发展浪潮便是2006年由人工神经网络（Artificial neural network）扩展开来并发展成为今天十分火热的深度学习（Figure 2）。实际上，深度学习的兴起和发展是非常自然的，人们在应用经典的机器学习方法时，需要对具体的问题或者数据相

06

利用神经网络进行序列到序列转换的学习

深度神经网络是在困难的学习任务中取得卓越性能的强大模型。尽管拥有大量的标记训练集，DNN就能很好地工作，但是它们并不能用于将序列映射到序列。在本文中，我们提出了一种通用的端到端序列学习方法，它对序列结构作出最小的假设。我们的方法使用多层长短期记忆网络(LSTM)将输入序列映射到一个固定维度的向量，然后使用另一个深层LSTM从向量中解码目标序列。我们的主要结果是，在WMT 14数据集的英法翻译任务中，LSTM的翻译在整个测试集中获得了34.8分的BLEU分数，而LSTM的BLEU分数在词汇外的单词上被扣分。此外，LSTM人在长句上没有困难。相比之下，基于短语的SMT在同一数据集上的BLEU得分为33.3。当我们使用LSTM对上述系统产生的1000个假设进行重新排序时，它的BLEU分数增加到36.5，这接近于之前在这项任务中的最佳结果。LSTM还学会了对词序敏感、并且对主动语态和被动语态相对不变的有意义的短语和句子表达。最后，我们发现颠倒所有源句(而不是目标句)中单词的顺序显著提高了LSTM的表现，因为这样做在源句和目标句之间引入了许多短期依赖性，使得优化问题变得更容易。

02

【2万字干货】利用深度学习最新前沿预测股价走势

在本篇文章中，我们将创建一个完整的程序来预测股票价格的变动。为此，我们将使用生成对抗性网络（GAN），其中LSTM是一种递归神经网络，它是生成器，而卷积神经网络CNN是鉴别器。我们使用LSTM的原因很明显，我们试图预测时间序列数据。为什么我们使用GAN，特别是CNN作为鉴别器？这是一个好问题，后面会有专门的部分介绍。

04

最新Github上各DL框架Star数量大PK | 附各框架性能对比分析

原文：Which deep learning network is best for you? http://www.cio.com/article/3193689/artificial-intel

03

微软携手亚马逊推出全新Gluon深度学习库，全面支持符号式和命令式编程

据微软方面表示，Gluon是一个深度学习库（接口），它是一个支持符号式和命令式编程的API，在创造深度学习模型的过程中能极大的简化进程，而不会使训练速度减慢。Gluon也将支持CNTK（Microso

06

交叉新趋势|采用神经网络与深度学习来预报降水、温度等案例(附代码/数据/文献)

随着人工智能的发展，拥有了越来越丰富的应用场景，气象行业也不例外，在突破传统预报方法的情况下，神经网络与深度学习来预报气象要素也取得了不错的效果，下面就给出一些比较典型的开源案例，条件允许不妨按图索骥实践一下，代码、数据、文献都给各位客官老爷一一奉上，也欢迎大家在圈内转载和分享！

教程 | 如何解决LSTM循环神经网络中的超长序列问题

选自MachineLearningMastery 作者：Jason Brownlee 机器之心编译参与：李泽南在 LSTM 循环神经网络面临长序列输入时，我们应该怎样应对？Jason Brownlee 给了我们 6 种解决方案。长短期记忆（LSTM）循环神经网络可以学习和记忆长段序列的输入。如果你的问题对于每个输入都有一个输出（如时间序列预测和文本翻译任务），那么 LSTM 可以运行得很好。但 LSTM 在面临超长输入序列——单个或少量输出的情形时就会遇到困难了。这种问题通常被称为序列标记，或

06

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类|附代码数据

本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类。最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。

01

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类|附代码数据

本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类（点击文末“阅读原文”获取完整代码数据）。

02

为何RNN能够在众多机器学习方法中脱颖而出？（附指南）

来源：机器人圈作者：BaymaxZ 本文长度为5000字，建议阅读20分钟本文介绍RNN的重要性和先进性，并详细阐释几种用于深度学习中的RNN模型。近年来，循环神经网络（RNN）在众多自然语言处理项目中取得重大突破得以成名。为什么RNN可以在众多机器学习方法中脱颖而出？本文编译自machinelearningmastery.com，作者是Jason Brownlee。该作者以清晰的思路概括性地介绍了RNN的重要性和先进性，并详细阐释了几种用于深度学习中的RNN模型。相信此文一定会使你对RNN的理解

05

数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析

众自20世纪80年代至今，随着改革开放的深入以及中国最终加入WTO，我国的对外贸易实现了跨越式的发展，中国已经成为世界第一大出口国和第二大进口国，中国经济对世界经济做出了重大贡献（点击文末“阅读原文”获取完整代码数据）。

01

全面！深度学习时间序列分类的综述！

时间序列分析中的时间序列分类（TSC）是关键任务之一，具有广泛的应用，如人体活动识别和系统监测等。近年来，深度学习在TSC领域逐渐受到关注，具有自动从原始时间序列数据中学习并抽取有意义特征的能力。

01

资源 | 一张速查表实现Apache MXNet深度学习框架五大特征的开发利用

选自AWS blog 机器之心编译参与：Smith Apache MXNet 是一个功能全面，且具有高度可扩展性的深度学习框架，可支持创建和训练最新型的深度学习模型。通过它，你可以创建卷积神经网络，LSTM 网络和其它的模型。它支持多种语言，包括但不限于 Python、Scala、R和 Julia 。本文将对 MXNet 五大特征的实现进行介绍。在本篇文章中，我们对使 MXNet 在 AWS 云中成为开发者友好型框架的一些特征进行了展示。对于更喜欢符号式表现形式的开发者，我们也提供了一张速查表，以在 M

06

转载｜使用PaddleFluid和TensorFlow训练RNN语言模型

在图像领域，最流行的 building block 大多以卷积网络为主。上一篇我们介绍了转载｜使用PaddleFluid和TensorFlow实现图像分类网络SE_ResNeXt。卷积网络本质上依然是一个前馈网络，在神经网络基本单元中循环神经网络是建模序列问题最有力的工具，有着非常重要的价值。自然语言天生是一个序列，在自然语言处理领域（Nature Language Processing，NLP）中，许多经典模型都基于循环神经网络单元。可以说自然语言处理领域是 RNN 的天下。

03

[译] End-to-end people detection in crowded scenes

检测效果图题目：拥挤场景中的端到端人物检测 (推荐阅读英文原文) 文章地址：《End-to-end people detection in crowded scenes》 arXiv.1506.04878 Github：https://github.com/Russell91/ReInspect (未经允许禁止转载，授权转载请注明出处，谢谢！) ---- Abstract 目前的人物检测操作要么是以滑动窗口的方式扫描图像，或者通过分类一组离散的决策。我们提出了基于将图像解码成一组人物检测的模型。我

06

一文看尽深度学习RNN：为啥就它适合语音识别、NLP与机器翻译？

本文是机器学习大牛Jason Brownlee系统介绍RNN的文章，他在文中详细对比了LSTM、GRU与NTM三大主流架构在深度学习上的工作原理及各自特性。读过本文，你就能轻松GET循环神经网络在语音识别、自然语言处理与机器翻译等当前技术挑战上脱颖而出的种种原因。作者 | Jason Brownlee 翻译 | AI科技大本营（rgznai100）参与 | reason_W 循环神经网络(RNN)是一种人造神经网络，它通过赋予网络图附加权重来创建循环机制，以维持内部的状态。神经网络拥有“状态”以后

09

DL框架的未来发展，TensorFlow/MXNet/Torch, 选哪个？

DL framework的学习成本还是不小的，以后未来的发展来看，你建议选哪个？请主要对比分析下4个方面吧： 1. 实现新计算单元(layer)和网络结构的便利性如：RNN, bidirectional RNN, LSTM, GRU, attention机制, skip connections等。 2. 实现不同学习任务的便利性 classification和regression自不用说，其他的: multi-label, multi-task, adversarial learning, reinfo

09

在Python中使用LSTM和PyTorch进行时间序列预测

顾名思义，时间序列数据是一种随时间变化的数据类型。例如，24小时内的温度，一个月内各种产品的价格，一年中特定公司的股票价格。诸如长期短期记忆网络（LSTM）之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，您将看到如何使用LSTM算法使用时间序列数据进行将来的预测。

01

用Keras LSTM构建编码器-解码器模型

本文是关于如何使用Python和Keras开发一个编解码器模型的实用教程，更精确地说是一个序列到序列（Seq2Seq）。在上一个教程中，我们开发了一个多对多翻译模型，如下图所示：

02

Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测|附代码数据

LSTM 网络是一种循环神经网络 (RNN)，它通过循环时间步长和更新网络状态来处理输入数据。网络状态包含在所有先前时间步长中记住的信息。您可以使用 LSTM 网络使用先前的时间步长作为输入来预测时间序列或序列的后续值。要训练 LSTM 网络进行时间序列预测，请训练具有序列输出的回归 LSTM 网络，其中响应（目标）是训练序列，其值偏移了一个时间步长。换句话说，在输入序列的每个时间步，LSTM 网络学习预测下一个时间步的值。

00

LSTM、GRU与神经图灵机：详解深度学习最热门的循环神经网络

选自MachineLearningMastery 作者：Jason Brownlee 机器之心编译参与：熊猫循环神经网络是当前深度学习热潮中最重要和最核心的技术之一。近日，Jason Brownl

Sequence to Sequence Learning with Neural Networks论文阅读

作者（三位Google大佬）一开始提出DNN的缺点，DNN不能用于将序列映射到序列。此论文以机器翻译为例，核心模型是长短期记忆神经网络（LSTM），首先通过一个多层的LSTM将输入的语言序列（下文简称源序列）转化为特定维度的向量，然后另一个深层LSTM将此向量解码成相应的另一语言序列（下文简称目标序列）。我个人理解是，假设要将中文翻译成法语，那么首先将中文作为输入，编码成英语，然后再将英语解码成法语。这种模型与基于短语的统计机器翻译(Static Machine Translation, SMT)相比，在BLUE(Bilingual Evaluation Understudy)算法的评估下有着更好的性能表现。同时，作者发现，逆转输入序列能显著提升LSTM的性能表现，因为这样做能在源序列和目标序列之间引入许多短期依赖，使得优化更加容易

02

开什么玩笑？股票价格如何经得起AI的推敲？| 技术头条

【导语】用深度学习预测股票价格不是一个新话题，随着技术的不断发展，大家一直在不断尝试新技术。这次教程中，作者设计了一个强强联合型模型来预测股票价格，为什么这么形容？作者设计了一个 GAN 模型，其生成网络为 LSTM 模型用来预测时间序列数据、CNN 模型作判别网络，用 BERT 模型作为情绪分析模型。带有高斯过程的贝叶斯优化和深度强化学习方法来获得 GAN 的超参数。为什么创建这样的组合？AI科技大本营都将在下面的内容中为大家进行一一解答。

03

JCI｜基于子结构的神经机器翻译预测逆合成反应

2021年4月13日，Neves BJ等人在Journal of Cheminformatics杂志发表文章，文章使用分子指纹将分子表示为一段基于子结构的"句子"，通过学习子结构水平上的化学变化来预测逆合成反应。

02

03.OCR学习路径之文本检测（中）CTPN算法简介

本文主要分享的是CTPN，paper名称是Detecting Text in Natural Image with

02

【信息抽取】介绍一种端到端的关系抽取方法

事物、概念之间的关系是人类知识中非常重要的一个部分，但是他们通常隐藏在海量的非结构文本中。为了从文本中抽取这些关系事实，从早期的模式匹配到近年的神经网络，大量的研究在多年前就已经展开。

01

Sequence to Sequence Learning with Neural Networks

参考译文：https://blog.csdn.net/qq_28385535/article/details/86421359

04

用 Lag-Llama 进行时间序列预测实战

Lag-Llama 是由 LLaMA 团队开发的时间序列基础模型，于2023年发布后迅速受到人工智能界的关注。这些预训练的模型经过大量时间序列数据的预训练，具备了存储不同频率和长度的时间序列数据的一般数据模式的能力，因此能够识别未见过的数据模式，且无需进行大量的微调。对于大型时间序列基础模型进行进一步微调，可以使它们实现与非基础模型相当的预测能力。

01

LSTM还没「死」！

长短期记忆（Long Short-Term Memory，LSTM）是一种时间循环神经网络（RNN），论文首次发表于1997年。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。在过去几十年里，LSTM发展如何了？密切关注机器学习的研究者，最近几年他们见证了科学领域前所未有的革命性进步。这种进步就像20世纪初，爱因斯坦的论文成为量子力学的基础一样。只是这一次，奇迹发生在AlexNet论文的推出，该论文一作为Alex Krizhevsky，是大名鼎鼎Hinton的优秀学生代表之一。AlexNet参加了2012年9月30日举行的ImageNet大规模视觉识别挑战赛，达到最低的15.3%的Top-5错误率，比第二名低10.8个百分点。这一结果重新燃起了人们对机器学习（后来转变为深度学习）的兴趣。我们很难评估每次技术突破：在一项新技术被引入并开始普及之前，另一项技术可能变得更强大、更快或更便宜。技术的突破创造了如此多的炒作，吸引了许多新人，他们往往热情很高，但经验很少。深度学习领域中一个被误解的突破就是循环神经网络（Recurrent neural network：RNN）家族。如果你用谷歌搜索诸如「LSTMs are dead」「RNNs have died」短语你会发现，搜索出来的结果大部分是不正确的或者结果太片面。本文中数据科学家Nikos Kafritsas撰文《Deep Learning: No, LSTMs Are Not Dead!》，文中强调循环网络仍然是非常有用的，可应用于许多实际场景。此外，本文不只是讨论LSTM和Transformer，文中还介绍了数据科学中无偏评估这一概念。以下是原文内容，全篇以第一人称讲述。

01

告别RNN，迎来TCN！股市预测任务是时候拥抱新技术了

选自towardsdatascience 作者：Bryan Tan 机器之心编译编辑：魔王、陈萍本文介绍了 TCN 在股市趋势预测任务中的应用，表明在集成新闻事件和知识图谱后，TCN 的性能大幅超过 RNN。本文主要介绍了以下几部分内容： 1. 金融时间序列（FTS）中的深度学习背景介绍； 2. 值得关注的 FTS 数据处理实践； 3. 时间卷积网络（TCN）； 4. 时间卷积网络在 FTS 中的应用实例； 5. 基于 TCN 的知识驱动股市趋势预测与解释。 1. 背景介绍金融时间序列（FTS）建

01

LSTM还没「死」！

选自towardsdatascience 作者：Nikos Kafritsas 机器之心编译编辑：杜伟、陈萍如果说「LSTM」已死，它为何依然能够在Kaggle竞赛中成为赢家呢？长短期记忆（Long Short-Term Memory，LSTM）是一种时间循环神经网络（RNN），论文首次发表于1997年。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。在过去几十年里，LSTM发展如何了？密切关注机器学习的研究者，最近几年他们见证了科学领域前所未有的革命

06

LSTM还没「死」！

点击机器学习算法与Python学习，选择加星标精彩内容不迷路选自towardsdatascience 机器之心编译如果说「LSTM」已死，它为何依然能够在Kaggle竞赛中成为赢家呢？长短期记忆（Long Short-Term Memory，LSTM）是一种时间循环神经网络（RNN），论文首次发表于1997年。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。在过去几十年里，LSTM发展如何了？密切关注机器学习的研究者，最近几年他们见证了科学领域前所

02

视频行为识别检测综述 IDT TSN CNN-LSTM C3D CDC R-C3D

CVPR 2014 Tutorial on Emerging Topics in Human Activity Recognition

04

引入额外门控运算，LSTM稍做修改，性能便堪比Transformer-XL

AAAI 2020 已经于 2月 7日 - 12 日在纽约举办，对于 AI 领域的研究者来讲，接下来最近的一个盛会将是4月26日在非洲埃塞俄比亚（亚斯亚贝巴）举办的 ICLR 2020。

04

WikiNet — CS224W 课程项目的循环图神经网络实践

在这篇文章中，我们将使用现代的图机器学习技术在 Wikispeedia navigation paths路径数据集进行项目实践

02

深度学习知识抽取：属性词、品牌词、物品词

更具体的任务有，在解析一段工作经历长文本的时候，我们希望提取其中的动宾组合来表示该应聘者之于此段工作经历的主要工作内容。以“ 了解市场情况 , 进行一些项目的商务谈判 ”为例，HanLP分词器的结果为“ 了解市场情况 , 进行一些项目的商务谈判 ”，此时可以提取的粗动宾组合有“了解- 情况 ”和“ 进行 - 谈判 ”，而我们更希望得到更加完整且意义更加丰富的宾语，因此需要将“市场情况”合并为“市场情况”，将“商务谈判”合并为“商务谈判”。因此，我们需要一个能够准确提取名词短语（Noun Pharse）的序列标注模型来克服NP字典召回不足的问题。

02

训练一个能像人一样说话的神经网络模型

本文的作者是数据科学家 Maël Fabien。在过去的几个月里，他在个人博客上写了 100 多篇文章。这个内容量相当可观。他突然想到一个主意：训练一个能像他一样说话的语言生成模型。

01

EAST、PixelLink、TextBoxes++、DBNet、CRNN…你都掌握了吗？一文总结OCR必备经典模型（二）

本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。

03

美团的OCR方案介绍

近年来，移动互联、大数据等新技术飞速发展，倒逼传统行业向智能化、移动化的方向转型。随着运营集约化、数字化的逐渐铺开，尤其是以OCR识别、数据挖掘等为代表的人工智能技术逐渐深入业务场景，为用户带来持续的经济效益和品牌效应。图书情报领域作为提升公共服务的一个窗口，面临着新技术带来的冲击，必须加强管理创新，积极打造智能化的图书情报服务平台，满足读者的个性化需求。无论是高校图书馆还是公共图书馆，都需加强人工智能基础能力的建设，并与图书馆内部的信息化系统打通，优化图书馆传统的服务模式，提升读者的借阅体验。

02

训练一个能像人一样说话的神经网络模型，具体需要哪些步骤？

AI 开发者按，本文的作者是数据科学家 Maël Fabien。在过去的几个月里，他在个人博客上写了 100 多篇文章。这个内容量相当可观。他突然想到一个主意：训练一个能像他一样说话的语言生成模型。

02

【TensorFlow实战——笔记】第2章：TensorFlow和其他深度学习框架的对比

可以看到各大主流框架基本都支持Python，目前Python在科学计算和数据挖掘领域可以说是独领风骚。虽然有来自R、Julia等语言的竞争压力，但是Python的各种库实在是太完善了，Web开发、数据可视化、数据预处理、数据库连接，爬虫等无所不能，有一个完美的生态环境。仅在数据挖掘工具链上，Python就有Numpy、SciPy、Pandas、Scikit-learn、XGBoost等组件，做数据采集和预处理都非常方便，并且之后的模型训练阶段可以和TensorFlow等基于Python的深度学习框架完美衔接。

01

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