rnn标签_AI Agent技术社区

rnn

循环神经网络RNN

循环神经网络 RNN 专门处理**序列数据**，依靠内部循环与隐藏状态记忆历史时序信息，多用于 NLP、时间序列预测、语音识别等任务。

ai大模型-探索者
2026-08-30 12:05:47

 387

 11

#rnn #人工智能 #深度学习
python神经网络编程入门（十六）——从零实现RNN前向传播：把公式变成能跑的函数

第2章把公式拆到骨头里，这一章把它变成能跑的函数！纯 NumPy 手写 RNN 前向传播：从单时间步函数到完整 rnn_forward，逐行拆解时间循环、维度切片与 cache 缓存。附小模型手算对照、Seq=1 退化成全连接实验、输出维度与推演表逐位验证、四大常见坑与 FAQ。跑一遍 rnn_forward.py，你也能徒手写出 RNN 前向传播！

Lee_jerome
2026-08-01 16:06:43

 613

 15

#rnn #numpy #深度学习 +2
动手学深度学习——RNN简洁实现

35：时间步长度num_steps2：批量大小batch_size28：每个时间步输入向量维度input_size也就是说：这里一次性输入了 2 条序列，每条序列长度为 35，每个时间步是一个 28 维向量。这一点和我们上一节手写版的输入组织方式是一致的。1：层数 × 方向数2：隐藏状态维度因为这里：只用了1 层 RNN不是双向 RNN所以第一个维度就是 1这和手写版的相比，多了一个“层数维”。这

 清空mega
2026-04-14 09:09:48

 335

 9

#深度学习 #rnn #人工智能
循环神经网络（RNN）深度解析：从数学原理到智能输入法实战

"""基于 jieba 的分词器，用于分词、编码和词表管理。核心功能：分词 → 构建词表 → 文本编码（token → index） → 解码（index → token）"""unk_token = '<unk>' # 未知词占位符"""对句子进行分词，调用 jieba 进行中文分词""""""从句子列表构建词表并保存到文件。:param sentences: 句子列表（原始文本）:param

闵浮龙
2026-04-15 19:16:06

 698

 18

#rnn #人工智能 #深度学习
从RNN的“记忆崩溃”到LSTM的“三闸调控”：史上最详细的LSTM教程（附PyTorch实战项目）

把词ID转成稠密向量# LSTM核心dropout=0.3 # 防止过拟合# 分类器：把隐藏状态转成1个分数# x形状: (batch, seq_len)# 取最后一层的最后一个时间步的隐藏状态return logits # 注意：没有sigmoid，因为后面会用BCEWithLogitsLoss遗忘门：保留旧记忆的比例（像筛子）输入门：写入新记忆的比例（像笔）输出门：读出记忆的比例（像嘴）细胞状

 闵浮龙
2026-04-15 23:54:42

 529

 7

#lstm #rnn #pytorch
学习深度学习5-循环神经网络总结

循环神经网络（Recurrent Neural Network, RNN）具备时序处理能力，可对多时间步序列数据进行迭代处理。其核心特征是：除输入层提供的特征向量外，前一个时间步的隐藏状态会作为当前时间步的输入，因此输入的序列数据需满足特定的时序顺序，以保证模型能捕捉序列中的时序依赖关系。

努力学c的David
2026-04-19 11:16:23

 389

 5

#深度学习 #学习 #rnn
最好发文的方向！LSTM+Attention强出新高度，刷新SOTA记录！

【摘要】近期研究热点聚焦LSTM与Attention机制的融合创新，通过互补优势提升模型性能。在CVPR、ICLR等顶会中，DAIW-LSTM等混合模型在时序数据处理、特征权重优化方面表现突出，部分准确率达98%以上。两篇典型论文分别展示了该技术在微谐振器设计（Dual-Attention Transformer-LSTM实现96.35%精度）和网页内容分类（LSTM-CNN-Attention模

 程序员小嬛
2026-04-21 10:20:16

 257

 8

#lstm #人工智能 #rnn +3
Pytorch:RNN理论基础

熟悉RNN原理，掌握RNNAPI的应用

 Jmayday
2026-04-29 16:44:56

 458

 6

#pytorch #rnn #深度学习
Day07-RNN层（循环网络层）

本文介绍了循环神经网络(RNN)的原理及其在PyTorch中的应用。RNN通过隐藏状态h记忆序列信息，实现文本等序列数据的建模。其核心计算包括：当前输入xt和前一状态ht-1通过权重矩阵计算新状态ht，再经全连接层输出预测结果。在PyTorch中，RNN层的输入为[seq_len,batch,input_size]的张量，输出包含output[seq_len,batch,hidden_size]和

 有腔调的程序员
2026-04-29 21:09:19

 469

 9

#rnn #人工智能 #深度学习 +4
深度学习面试八股—— GRU（Gated Recurrent Unit）

特性RNNLSTMGRUBi-RNN结构单向循环结构，只有隐藏状态有记忆单元状态和隐藏状态，三门控制信息流只有隐藏状态，合并了输入门和遗忘门双向结构，有前向和后向两个独立的 RNN记忆能力适合处理短期依赖，长序列时有梯度消失问题能有效处理长时依赖，解决梯度消失问题简化的版本，参数更少，能处理长短期依赖能同时捕捉序列的前后信息，适合上下文相关任务门机制无门控机制有输入门、遗忘门和输出门有更新门和重置

 好评笔记
2026-06-10 13:05:44

 235

 8

#深度学习 #gru #人工智能 +3
学习RNN(简洁实现)

这里意思是在循环卷积网络中当前神经元的输出只与xt-1以及ht-1有关，然后计算损失的时候，是将ot与xt进行比较，因为模型的下一个输出就是序列的下一个不是n元语法，因为这里的因变量ht实际上包含了前面任意长序列的信息，不只是几元。吴恩达老师那里课件的公式是：h_t = f(W_hh * h_t-1 + W_hx * x_t + b_h) (强推他的讲解)这里的t不要理解成下标，理解成时间，结合

 Kobebryant-Manba
2026-06-14 16:34:41

 270

 6

#学习 #rnn #人工智能
RNN从0实现

创建一个类来包装这些函数在中，时间步就是 1，因为每次只输入一个字符。这不是偶然，而是为了配合自回归生成的逻辑：用上一个输出作为下一个输入，一步步推进。如果你尝试输入多个时间步，y的形状会相应变化，但该函数的设计初衷就是单步预测。

Kobebryant-Manba
2026-06-15 02:04:30

 269

 4

#rnn #深度学习 #pytorch
深入 Transformer：为什么自注意力能够碾压 RNN？

在Transformer诞生之前，循环神经网络（RNN）及其优化变体LSTM、GRU长期垄断序列建模领域，是自然语言处理、时序预测、语音识别任务的核心基础模型。但2017年《Attention Is All You Need》一文提出的自注意力机制，彻底颠覆了序列建模的范式，全面取代RNN系列模型，成为现代大语言模型、多模态大模型的核心基石。业界普遍认为自注意力“碾压”RNN，并非单纯的模型迭代优

 2301_81680467
2026-07-26 20:01:21

 588

 11

#transformer #rnn #深度学习
C++中的右值引用与移动语义现代C++性能优化的关键利器

右值引用与移动语义是现代C++性能优化的核心工具，通过资源所有权转移替代冗余复制，显著降低开销。结合完美转发、noexcept规范及标准库集成，为高效资源管理和性能敏感应用提供了关键支持。```

hogostan
2025-10-06 01:07:42

 451

 5

#rnn
[C++20现代函数特性解析Concepts与Range的实践应用]

C++的演化脉络：从C++98的模板元编程（TMP），到C++11的Lambda和Move语义，再到C++20的Concepts和Ranges，语言设计始终围绕表现力与安全性的平衡展开。- 隐式类型风险：`(+valueField)`未显式约束，错误发生在`std::sort`中导致难以调试。- 通过`std::ranges::sort`替换原始`std::sort`，简化指向容器的迭代器适配。-

ABdXVAYk
2025-11-02 11:47:30

 929

 19

#rnn
RWKV7-G0a3 13.3B 发布：世界最强纯 RNN 大语言模型

我们以 RWKV6-world-v2.1 14B 模型为基础，仅继续训练 2T tokens（加入了蒸馏的 35B tokens from DeepSeek v3.1），即获得了有竞争力的效果。它依然是纯预训练模型（无后训练，无刷榜），评测成绩符合模型实际使用体验。

RWKV元始智能
2025-11-04 14:50:10

 894

 13

#rnn #语言模型 #人工智能 +4
时间的构建模块：RNN 的数学基础与 Python 实现

需要澄清的是，对于时间序列数据，通常只有最后一个值对损失函数有贡献，即所有其他输出会被忽略，其对损失函数的贡献为 0。数学描述与上述相同。序列数据的一个重要元素是时间依赖性，其中过去的值决定了当前和未来的值（就像我们生活在一个预定的世界中，但我们不谈哲学，继续讨论 RNN 模型）。在本文中，我们将深入探讨 RNN 的数学基础，并使用 Python 从零实现这些方程。

布客飞龙
2025-11-17 00:08:09

 899

 22

#rnn #python #人工智能
重生归来，我要成功 Python 高手--day39 RNN循环神经网络

RNN循环神经网络：处理序列数据的神经网络，具有”循环“结构，能够处理和记住前面时间步的信息，使其特别使用与时间序列数据或者有序依赖的任务序列数据：指在不同时间点上收集到的数据，这类数据反应了某一事物，现象随着时间变化的态度或者程度特点：后面的数据和前面的数据有关联RNN的应用：自然语言处理，时间序列预测，语言识别，音乐生成RNN的组成：词嵌入层，循环网络层，输出层输入文本文件-》经过分词-》将分

 心中有禾
2025-11-18 15:15:48

 623

 16

#rnn #人工智能 #深度学习
【AI测试必读】你的测试方法论已经过时！多模态大模型时代，如何应对“看图说话”的AI

今天，joker想跟大家聊下多模态大模型。这在AI驱动的UI自动化和rag数据处理中，都是很重要的一环。友情提醒：这个模型能力的扫盲科普，不是最新模型，感兴趣想了解最新能力的，可自行去官网体验：https://bailian.console.aliyun.com/

Android老皮
2025-11-27 16:23:40

 407

 4

#人工智能 #深度学习 #rnn +2
【Python TensorFlow】 BiTCN-GRU双向时间序列卷积门控循环神经网络时序预测算法（附代码）

本文提出BiTCN-GRU算法，结合双向时间卷积网络和门控循环单元的优势，以解决传统时序预测模型在捕捉长期依赖和局部特征方面的不足。算法流程包括数据准备、预处理、网络构建、模型训练与评估。代码提供完整实现，支持csv/excel格式数据输入，包含数据读取、预处理、网络训练等功能模块，可实现多特征输入和多步预测。实验结果表明该模型能有效提升预测准确性。资源包含完整代码和示例数据。

qq_17082750 CNC注塑机数采
2025-11-28 11:45:36

 326

 4

#python #rnn #tensorflow +2
【Python TensorFlow】 TCN-GRU时间序列卷积门控循环神经网络时序预测算法（附代码）

本文提出了一种TCN-GRU混合神经网络模型用于时间序列预测。该模型结合了时间卷积网络(TCN)的多尺度特征提取能力和门控循环单元(GRU)的长期依赖学习能力，能有效处理复杂时序模式。文章详细介绍了模型构建流程，包括数据准备、预处理、网络构建、训练和评估等步骤，并提供了完整的Python实现代码。代码支持csv和excel格式数据集，可进行单/多输入、单/多步预测，包含详细中文注释。实验结果表明该

 qq_17082750 CNC注塑机数采
2025-11-29 17:00:15

 496

 6

#python #rnn #tensorflow +3
重生归来，我要成功 Python 高手--day41 传统RNN LSTM GRU 模型

传统RNN模型：循环神经网络，以序列数据为输入，通过内部网路结构设计有效捕捉序列之间的关系特征，一般也以序列的形式进行输出，RNN的循环机制是模型上一时间步的隐层结果，能够作为当前时间步输入的一部分（正常输入+上一层隐层的输出）对当前时间步的输出产生影响。RNN结构分析：上一时间步隐层状态输出的结果+当前时间步的输入经过tanh激活函数得到当前时间步的隐藏层输出的结果和输出结果。公式：输入门的门

 心中有禾
2025-12-03 11:58:15

 430

 3

#rnn #python #lstm
C#实现欧姆龙Fins HostLink协议底层通讯代码：串口通讯源程序，共800多行，可封装成库

半夜两点盯着欧姆龙PLC的绿灯狂闪，手里的串口调试助手突然蹦出一行正确的返回帧——这感觉比抢到茅台还刺激。今天就聊聊怎么用C#手搓Fins HostLink协议，这玩意儿在工控圈子里就像USB接口一样常见，但底层通讯的坑比秋名山弯道还多。C#写的欧姆龙Fins HostLink协议底层通讯代码，串口通讯源程序，自己研究通讯写的，已测试OK，共有800多行代码，可以了解欧姆龙Fins HostLin

联系QQ:27699885
2025-12-06 09:04:55

 433

 5

#rnn
Chapter 3: 大语言模型基础 Part 2：RNN、LSTM 与 Transformer 的诞生

本文介绍了从RNN到Transformer的自然语言处理模型演进过程。首先分析了RNN通过隐藏状态实现序列记忆，但存在长期依赖问题；LSTM通过细胞状态和门控机制优化了记忆能力。随后重点解析了Transformer架构，它完全依赖注意力机制实现并行计算，采用编码器-解码器结构：编码器理解输入句子，解码器生成目标输出。文章还提供了基于PyTorch的Transformer核心代码框架，包含位置编码、

のハス
2026-01-06 10:00:00

 899

 11

#rnn #lstm #语言模型
【OpenAI】从入门到精通：掌握Transformer与RNN架构的实战指南获取OpenAI API KEY的两种方式，开发者必看全方面教程！

Transformer模型架构由谷歌大脑团队的Ashish Vaswani等人在2017年提出的，论文标题为《Attention Is All You Need》。它通过自注意力机制取代了传统的循环神经网络（RNN）和卷积神经网络（CNN），实现了在自然语言处理（NLP）任务中的并行计算优势。通过以上步骤，你已经掌握了如何获取和使用 OpenAI API Key 的基本流程。无论你是开发者还是技术

 秦ぅ时
2026-01-06 10:00:00

 815

 9

#transformer #rnn #深度学习
Prompt Engineering十年演进

提示工程十年演进（2015-2025）从早期GPT的"前缀玄学"到GPT-3的思维链突破，再到2025年自动推理与内核级语义安全，提示工程经历了三大范式跃迁：结构化指令期（2015-2018）：依赖文本前缀的零样本探索思维链革命期（2019-2022）：Few-shot提示和CoT技术突破逻辑推理瓶颈自主进化期（2025）：DSPy程序化优化、eBPF内核级语义审计实现

 jzwspace
2026-02-10 10:52:24

 568

 4

#人工智能 #机器学习 #神经网络 +3