注意： 该软件包已停止更新，请参阅我们的新 参考： 纸： 用于命名实体识别的神经架构通过BLSTM-CNN-CRF进行端到端序列标记码： 用法： python train.py 性能 f1 91.00％

LSTM的公式推导详解, 一篇很好的解释长短时记忆神经网络的文章

论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》的代码实现

数据集—基于TF NMT利用带有Attention的 ED模型训练、测试(中英文平行语料库)实现将英文翻译为中文的LSTM翻译(中英文平行语料库)训练数据集—train

使用PYthon的keras包来构建LSTM模型（请自行安装keras包)，用疫情前七天的数据作为训练集构建LSTM神经网络实现对疫情的预测。

利用生成对抗网络对股票进行预测

MATLAB实现LSTM(长短期记忆神经网络)多输入单输出数据集

word2vec+lstm情感分析（三分类）+使用说明 使用方法： 1、修改 ../data/neg(消极）../data/pos(积极）../data/neutral(中立）训练数据 及 ../data/sum(测试数据）（本数据为我上网download数据库，是不同情感方向的评价数据。） 2、运行 ../lstm/lstm_train 并修改 参数列表 （建议只修改代码30-33行）及 （119行代码）x_train, x_test, y_train, y_test = train_test_split(combined, y, test_size=0.2) 此处0.2表示 train_data/test_data=1/5;（修改代码是为了提高lstm模型 accurancy 及 降低loss) 3、运行 ../lstm/lstm_test（该结果将存储在../result/result。xlsx 即为所求） 该模型优点：准确率较高； 缺点：损失函数较高；耗时长;处理大量数据时占用的内存较大

使用LSTM进行血糖预测并使用MLFLOW进行模型管理，您将了解如何在Keras深度学习库中开发用于多变量时间序列预测的LSTM模型。并基于LSTM模型进行血糖预测。

脑机接口是一种通过特定手段对脑电信号进行提取，利用信号处理算法解码，分析大脑信号，识别人脑的技术。为了提高二分类运动想象脑电信号的识别准确率，该文提出了一种基于LSTM神经网络的脑电信号分类方法，以2003年BCI国际竞赛的公开数据对所提出的方法进行验证。实验结果证明，LSTM神经网络训练出的模型具有良好的效果，分类的平均准确率接近90%。