摘要：
class MyRnn(tf.keras.Model): def __init__(self, units): super(MyRnn, self).__init__() self.mycnn = tf.keras.Sequential([ tf.keras.layers.Conv2D(12, ke 阅读全文
摘要：
将经过卷积层处理后的feature与非图像特征进行融合 import numpy as np import tensorflow as tf import pandas as pd from my_cnn_net import My_cnn import os # 设置GPU相关底层配置 physi 阅读全文
摘要：
前面都是写的cell版本的GRU和LSTM，比较底层，便于理解原理。 下面的Sequential版不用自定义state参数的形状，使用更简便： import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' ass 阅读全文
摘要：
GRU相比于LSTM只有两个门: import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' assert tf.__version__.startswith('2.') # 设置相关底层配置 physical 阅读全文
摘要：
相比simplernn多了三个门，记忆、输入、输出 记忆门（遗忘门，1为记住0为遗忘）： 输入门： C： 输出门： 总： 极端条件： 公式： import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' asse 阅读全文
摘要：
原来的参数更新代码： 加一个Graddient Clipping后（原理是当梯度高于某个阈值时，自动除以自己的模来达到减小梯度的目的）： 比如下图中设置梯度最大值为15 阅读全文
摘要：
import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' assert tf.__version__.startswith('2.') # 设置相关底层配置 physical_devices = tf.con 阅读全文