LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

Tensorflow-LSTM-股票预测DEMO Tensorflow-LSTM-股票预测DEMO

Tensorflow-LSTM-股票预测DEMO Tensorflow-LSTM-股票预测DEMO，代码有详细的注释，可以运行

lstm情感分析代码

压缩文件中视频和代码齐全，其中包含python基础、pytorch基础等入门课程及代码；还有神经网络、卷积神经网络（CNN）、循环神经网络（LSTM）、生成对抗网络（GAN）、强化学习（RL）等进阶课程及代码。不用再到处找课程、找源码，一压缩包内容包入门。

根据lstm的计算规则，自己手动编写了一个lstm框架，结果和调用torch.nn.LSTM的结果一致。可利用该函数（lstm_by_hand），在其内部进行任何操作，不再将nn.LSTM当成黑盒，可根据自己需求实现自己的模型。

基于pytorch的RNN双向LSTM情感分析源码，pycharm运行，数据集下载地址http://ai.stanford.edu/~amaas/data/sentiment/，准确率85，注释非常全，适合入门学习

RNN污染预测 使用简单的递归神经网络，Python和Keras的LSTM和GRU，预测北京市下一个小时，一周和一个月的污染。

太阳能光伏产业近年发展迅速，准确诊断光伏组件故障位置及类型可以提升运维人员的工作效率。提出一种基于卷积神经网络-长短期记忆模型(Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM)的深度学习诊断模型，利用电站原有设备就可完成检测任务。首先提出了一种依据电流值的组件故障分类方式；然后，检测模型根据光伏阵列布局特点设计了一种特征提取算法，分别提取光伏阵列电流横向与纵向特征，来获取空间与时间上的特性；再通过CNN网络来对横向特征做进一步的提取与纵向特征的压缩，以解决特征种类单一及训练缓慢的问题；最终进入LSTM神经网络来完成对光伏组件的故障诊断。

RNN简介 现实世界中，很多元素都是相互连接的，比如室外的温度是随着气候的变化而周期性的变化的、我们的语言也需要通过上下文的关系来确认所表达的含义。但是机器要做到这一步就相当得难了。因此，就有了现在的循环神经网络，他的本质是：拥有记忆的能力，并且会根据这些记忆的内容来进行推断。因此，他的输出就依赖于当前的输入和记忆。 网络结构及原理 循环神经网络的基本结构特别简单，就是将网络的输出保存在一个记忆单元中，这个记忆单元和下一次的输入一起进入神经网络中。 一个最简单的循环神经网络在输入时的结构示意图： RNN 可以被看做是同一神经网络的多次赋值，每个神经网络模块会把消息传递给下一个，我们将这个图的