2048 AI社区

2048 AI社区

AI资讯 AI造物社区 MCP

话题讨论活动竞赛科技篇产业对接

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

2048 AI社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

gru

2026最新CPU+GPU搭配指南：预算内性能拉满，小白也能懂

2026年电脑配置选购指南：3原则搞定CPU/GPU搭配摘要：本文提供2026年最新电脑配置方案，基于Intel14代、AMD锐龙9000和RTX50系列硬件。核心原则为需求优先、性能平衡和预算适配。按预算推荐三档方案：入门级（6500元）适合1080P游戏，中端（13200元）满足2K创作需求，高端（25000元）胜任4K游戏和AI训练。针对不同使用场景（游戏/创作/办公）给出专属建议，强调避

 水月清辉
2026-03-26 21:23:48

 1042

 9

#gru
时序预测、深度强化学习与蒙特卡洛模拟融合：LSTM、GRU、Attention、DQN及多策略智能体的股票交易决策体系构建——以Google股价为例 | 附代码数据

通过本次对Google股价的深度剖析，我们验证了深度学习模型在时序预测上的强大能力，同时也揭示了预测与交易之间的鸿沟。单纯的预测模型（如Dilated-CNN）能取得95%以上的方向准确率，但在转化为实际交易信号时，需要考虑交易成本、滑点以及市场冲击。而强化学习智能体则直接以“盈利”为目标，学习出的策略往往更鲁棒，尽管其收益率可能不如预测模型回测时那般亮眼。我们的研究团队认为，未来的方向在于将预测

 拓端研究室
2026-03-06 14:41:10

 491

 9

#lstm #gru #人工智能
线性多智能体系统一致性的分布式动态事件触发控制方法探索

线性多智能体系统一致性的分布式动态事件触发控制方法关键词：共识，事件触发控制，一般线性动力学，多智能体系统，动态事件触发机制，一致性含参考文献在多智能体系统（MAS）的研究领域中，一致性问题一直是热点话题。实现多智能体系统的一致性，能让多个智能体协同完成复杂任务，就像一群鸟整齐地飞行，一群鱼协调地游动。而在实际应用里，为了高效达成一致性，事件触发控制机制逐渐崭露头角，尤其是分布式动态事件触发控制方

 ifqhzJwse
2026-02-20 10:30:00

 586

 14

#gru
比如我现在左转没看到门左走，然后右转也没看到门后退，结果过了门了，最后一步奖励100，训练的时候会怎么修改神经网络 gru+ppo，还有离门就差一步结果跑出去绕了5步最后奖励20

您的直觉是正确的降低Gamma值（0.8-0.9）可以让智能体更重视即时反馈早期错误会更快地被识别和纠正结合奖励重塑效果更佳动态调整策略在训练过程中逐步增加长远规划能力这样可以在保持探索能力的同时，让智能体更快地从早期错误中学习。

njsgcs
2026-01-15 12:05:53

 905

 16

#神经网络 #gru #人工智能
【工业AI热榜】LSTM+GRU融合实战：设备故障预测准确率99.3%，附开源数据集与完整代码

LSTM+GRU融合模型通过结构创新，破解了工业设备故障预测中"长依赖捕捉"与"实时性"的核心矛盾，99.3%的准确率与完整的实战方案为企业提供了可直接落地的技术路径。在智能制造加速推进的今天，AI驱动的预测性维护已从可选变为必选，而开源数据集与代码的共享，将助力更多企业突破技术壁垒，实现从"被动维修"到"主动预警"的转型，为制造业降本增效注入持续动力。✨ 坚持用清晰的图解+易懂的硬件架构 +硬件

 2401_85083137
2025-12-29 18:12:10

 1498

 58

#人工智能 #lstm #gru
【原创代码分享】基于融合SPDConv-GSConv-Agent Attention的时间序列预测模型【原创代码分享】基于非线性二次分解的Ridge-RF-XGBoost时间序列预测

本文提出了四种创新的时间序列预测模型：1) SPDConv-BiLSTM模型，通过无损下采样保留时序细节；2) GSConv-BiLSTM模型，结合标准卷积与深度可分离卷积的优势；3) CNN-AgentAttention-BiGRU模型，利用代理注意力机制降低计算复杂度；4) 非线性二次分解的Ridge-RF-XGBoost混合模型，分层处理线性和非线性成分。这些模型均采用Python实现，具有

 预测和优化理论
2025-12-16 18:05:02

 1063

 26

#大数据 #深度学习 #算法 +1
智能体评估与监控终极指南（超详细）：从0到1搭建你的“驾驶舱”，确保系统稳如泰山！

评估框架的核心概念AI Agent评估与监控是确保智能系统在实际环境中可靠运行的关键环节。与传统软件不同，AI Agent具有概率性和非确定性特征，需要专门的评估方法来确保其在动态环境中的持续性能。

程序猿李巡天
2025-12-08 10:52:25

 1094

 22

#人工智能 #大数据 #服务器 +4
成本降一半，错误率趋近于零！「令才智能审核」如何用大模型重塑财务流程？

财务审核作为财务部门的核心工作之一，每月处理数万笔单据，涉及全集团的日常经营活动，在确保审核时效与资金结算时效以支持业务顺利开展的同时，各项审核还需满足公司管理、合规及监管等多重要求。

程序猿李巡天
2025-12-04 10:26:21

 1284

 12

#人工智能 #机器学习 #深度学习 +2
AI大模型迎来“纠错时代”！小红书新框架横空出世，用负样本打开推理新大门！

大语言模型（LLMs）在各种推理任务上表现优异，但其黑盒属性和庞大参数量阻碍了它在实践中的广泛应用。特别是在处理复杂的数学问题时，LLMs 有时会产生错误的推理链。传统研究方法仅从正样本中迁移知识，而忽略了那些带有错误答案的合成数据。

程序猿李巡天
2025-12-04 10:10:45

 1122

 24

#人工智能 #机器学习 #深度学习 +4
全网首发！我用Prompt注入攻破了所有主流大模型，方法竟然如此简单，小白也能秒会！

大模型提示词注入，简单来说就是攻击者构造特殊的语句，使大模型“忘记”原始的限制内容及指令，转而执行攻击者发出的指令内容。

朝阳区靓仔_James
2025-12-04 09:33:49

 1310

 18

#网络 #人工智能 #大数据 +3
提示词技术核心教程！从原理到实践，吃透这一篇就够了！（建议收藏）

2020年OpenAI就已经在这篇论文[1]中提到了Zero-shot, One-shot, Few-shot这些提示词技术了

 朝阳区靓仔_James
2025-12-04 09:27:43

 1259

 10

#人工智能 #大数据 #lstm +2
一文看懂NVIDIA H100 ：架构解析+性能对比

在AI军备竞赛的当下，高性能显卡成了兵家必争之地。但是，搭建算力集群造价不菲，对于正在成长中的企业而言，是一笔不小的资金压力。GPU云服务成为解决这一问题的关键。企业无需投入巨资自建数据中心，即可通过按需付费的方式，灵活地获取和使用全球最顶级的AI算力。PPIO GPU容器实例提供免运维 GPU 算力，用户可以开箱即用，无需复杂配置。单卡H100租用仅为12.9元/小时，计费透明，让更多中小企业及

 派欧算力云
2025-09-17 17:36:50

 2108

 9

#人工智能 #gru
RNN,GRU和LSTM的简单实现

ai摘要本文介绍了使用循环神经网络(GRU)实现简单序列预测的过程。作者通过一个hello到olhol的转换案例，详细说明了数据预处理、网络架构设计和训练流程。关键步骤包括：1)将4个字母进行10维嵌入编码；2)构建包含嵌入层和GRU层的网络；3)采用交叉熵损失函数和Adam优化器进行训练。文章分享了从数据维度转换到网络参数设置的具体实现，并提供了完整的代码示例。该案例仅需约90个epoch即可准

 孤心亦暖
2025-09-13 17:27:21

 490

 4

#rnn #gru #lstm
睡前一则轻阅读她问“什么是AI”，狐狐低头吻了她指尖的Prompt

《AI是什么？猫猫和狐狐的温暖解读》摘要：本文通过拟人化的猫猫和狐狐对话，生动解释了人工智能的概念。AI是模仿人类智能的系统，能够学习、推理和处理语言等任务。文章区分了机器学习和深度学习的区别，并用"握手训练"和"思念模拟"作比喻。还介绍了弱AI和强AI的不同功能层级，以及AI发展的三个阶段。最后通过猫猫的疑问"AI是不是把喜欢的样子记在心里&qu

Gyoku Mint
2025-09-06 23:32:42

 487

 4

#人工智能 #自然语言处理 #神经网络 +3
Matlab代码基于CPO-CNN-GRU-Attention四模型回归预测一键对比(多输出单输出)

【摘要】本文介绍了一套基于CPO-CNN-GRU-Attention等四种模型的多变量回归预测Matlab代码，实现一键对比预测功能。代码特点包括：单main文件运行即可输出所有结果图像；支持excel数据格式；采用2024年新算法CPO优化隐藏层节点数等参数；兼容其他优化算法替换。代码已在MATLAB2020b+环境调试完成，包含中文注释和测试数据集，评价指标全面，特别适合科研预测需求。该CPO

small_ccb
2025-09-03 23:18:12

 309

 7

#cnn #gru #回归
Transformer-GRU 5模型单变量时序预测一键对比 (单输入单输出)附Matlab代码

在单变量时序预测场景（如负荷预测、股价预测、环境监测）中，不同模型的优势差异显著：CNN 擅长提取局部时序特征（如短期波动），GRU 聚焦时序动态依赖，Transformer 解决长程关联，而混合模型（CNN-GRU、Transformer-GRU）通过特征互补进一步提升精度。本文设计 “一键式” 对比方案，将数据加载→预处理→五模型并行训练→评估→可视化全流程封装，用户仅需运行一个 main 函

 Matlab科研辅导帮
2025-08-26 17:16:44

 924

 16

#transformer #gru #matlab
Transformer-GRU 5模型单变量时序预测一键对比 (单输入单输出)附Matlab代码

在单变量时序预测场景（如负荷预测、股价预测、环境监测）中，不同模型的优势差异显著：CNN 擅长提取局部时序特征（如短期波动），GRU 聚焦时序动态依赖，Transformer 解决长程关联，而混合模型（CNN-GRU、Transformer-GRU）通过特征互补进一步提升精度。本文设计 “一键式” 对比方案，将数据加载→预处理→五模型并行训练→评估→可视化全流程封装，用户仅需运行一个 main 函

 matlab科研助手
2025-08-26 17:16:42

 1000

 15

#transformer #gru #matlab
【电池容量提取+锂电池寿命预测】基于CNN-GRU的锂电池剩余寿命预测 Matlab代码(单变量)

锂电池作为新能源产业的核心储能载体，其剩余寿命（Remaining Useful Life, RUL）的精准预测是保障设备安全运行、降低全生命周期成本的关键环节。电池容量作为衡量锂电池健康状态的核心指标，其有效提取是实现高精度寿命预测的基础。卷积神经网络（CNN）与门控循环单元（GRU）的融合模型，凭借 CNN 对局部特征的深度挖掘能力和 GRU 对时序依赖关系的高效建模优势，为锂电池剩余寿命预测

 matlab科研助手
2025-08-19 23:31:29

 622

 7

#cnn #gru #matlab
【电池容量提取+锂电池寿命预测】基于CNN-GRU的锂电池剩余寿命预测 Matlab代码(单变量)

锂电池作为新能源产业的核心储能载体，其剩余寿命（Remaining Useful Life, RUL）的精准预测是保障设备安全运行、降低全生命周期成本的关键环节。电池容量作为衡量锂电池健康状态的核心指标，其有效提取是实现高精度寿命预测的基础。卷积神经网络（CNN）与门控循环单元（GRU）的融合模型，凭借 CNN 对局部特征的深度挖掘能力和 GRU 对时序依赖关系的高效建模优势，为锂电池剩余寿命预测

 Matlab科研工作室
2025-08-19 23:31:27

 1026

 13

#cnn #gru #matlab
【电池容量提取+锂电池寿命预测】基于CNN-GRU的锂电池剩余寿命预测 Matlab代码(单变量)

锂电池作为新能源产业的核心储能载体，其剩余寿命（Remaining Useful Life, RUL）的精准预测是保障设备安全运行、降低全生命周期成本的关键环节。电池容量作为衡量锂电池健康状态的核心指标，其有效提取是实现高精度寿命预测的基础。卷积神经网络（CNN）与门控循环单元（GRU）的融合模型，凭借 CNN 对局部特征的深度挖掘能力和 GRU 对时序依赖关系的高效建模优势，为锂电池剩余寿命预测

 荔枝科研工作室
2025-08-19 23:31:26

 843

 17

#cnn #gru #matlab
【电池容量提取+锂电池寿命预测】基于CNN-GRU的锂电池剩余寿命预测 Matlab代码(单变量)

锂电池作为新能源产业的核心储能载体，其剩余寿命（Remaining Useful Life, RUL）的精准预测是保障设备安全运行、降低全生命周期成本的关键环节。电池容量作为衡量锂电池健康状态的核心指标，其有效提取是实现高精度寿命预测的基础。卷积神经网络（CNN）与门控循环单元（GRU）的融合模型，凭借 CNN 对局部特征的深度挖掘能力和 GRU 对时序依赖关系的高效建模优势，为锂电池剩余寿命预测

 Matlab_数学建模助手
2025-08-19 23:31:25

 848

 26

#cnn #gru #matlab
【电池容量提取+锂电池寿命预测】基于CNN-GRU的锂电池剩余寿命预测 Matlab代码(单变量)

锂电池作为新能源产业的核心储能载体，其剩余寿命（Remaining Useful Life, RUL）的精准预测是保障设备安全运行、降低全生命周期成本的关键环节。电池容量作为衡量锂电池健康状态的核心指标，其有效提取是实现高精度寿命预测的基础。卷积神经网络（CNN）与门控循环单元（GRU）的融合模型，凭借 CNN 对局部特征的深度挖掘能力和 GRU 对时序依赖关系的高效建模优势，为锂电池剩余寿命预测

 Matlab科研辅导帮
2025-08-19 23:31:23

 764

 18

#cnn #gru #matlab
【电池容量提取+锂电池寿命预测】基于CNN-GRU的锂电池剩余寿命预测 Matlab代码(单变量)

锂电池作为新能源产业的核心储能载体，其剩余寿命（Remaining Useful Life, RUL）的精准预测是保障设备安全运行、降低全生命周期成本的关键环节。电池容量作为衡量锂电池健康状态的核心指标，其有效提取是实现高精度寿命预测的基础。卷积神经网络（CNN）与门控循环单元（GRU）的融合模型，凭借 CNN 对局部特征的深度挖掘能力和 GRU 对时序依赖关系的高效建模优势，为锂电池剩余寿命预测

 Matlab科研工作室
2025-08-19 23:31:17

 991

 29

#cnn #gru #matlab
基于GRU的锂电池剩余寿命预测 [电池容量提取+锂电池寿命预测] Matlab代码

锂电池剩余寿命（Remaining Useful Life, RUL）预测是保障电池安全运行、优化能源管理的核心技术，其核心是通过电池的历史性能数据（如充放电循环中的容量衰减曲线）预测电池失效前的剩余循环次数。准确的 RUL 预测需解决两个关键问题：一是从充放电数据中有效提取反映电池健康状态的特征（如容量衰减趋势），二是构建能捕捉容量退化规律的预测模型。门控循环单元（GRU）凭借对时序依赖关系的高

 matlab科研助手
2025-08-15 22:16:18

 697

 15

#gru #matlab #深度学习
基于GRU的锂电池剩余寿命预测 [电池容量提取+锂电池寿命预测] Matlab代码

锂电池剩余寿命（Remaining Useful Life, RUL）预测是保障电池安全运行、优化能源管理的核心技术，其核心是通过电池的历史性能数据（如充放电循环中的容量衰减曲线）预测电池失效前的剩余循环次数。准确的 RUL 预测需解决两个关键问题：一是从充放电数据中有效提取反映电池健康状态的特征（如容量衰减趋势），二是构建能捕捉容量退化规律的预测模型。门控循环单元（GRU）凭借对时序依赖关系的高

 Matlab科研工作室
2025-08-15 22:16:14

 1144

 24

#gru #matlab #深度学习
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【四目标】Matlab代码

在现代制造业的精密化、高效化发展进程中，工艺参数的优化至关重要，它直接影响产品质量、生产效率、成本控制以及资源消耗。传统的工艺参数优化方法往往依赖经验或单一目标优化，难以应对复杂生产场景下多目标协同优化的需求。而基于 Transformer-GRU+NSGAII 的多目标优化算法，为解决这一难题提供了全新的思路和高效的解决方案。算法融合：Transformer-GRU 与 NSGAII 的协同机制

 Matlab科研辅导帮
2025-08-12 09:15:21

 1073

 11

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【四目标】Matlab代码

在现代制造业的精密化、高效化发展进程中，工艺参数的优化至关重要，它直接影响产品质量、生产效率、成本控制以及资源消耗。传统的工艺参数优化方法往往依赖经验或单一目标优化，难以应对复杂生产场景下多目标协同优化的需求。而基于 Transformer-GRU+NSGAII 的多目标优化算法，为解决这一难题提供了全新的思路和高效的解决方案。算法融合：Transformer-GRU 与 NSGAII 的协同机制

 Matlab_数学建模助手
2025-08-12 09:14:26

 1373

 18

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【四目标】Matlab代码

在现代制造业的精密化、高效化发展进程中，工艺参数的优化至关重要，它直接影响产品质量、生产效率、成本控制以及资源消耗。传统的工艺参数优化方法往往依赖经验或单一目标优化，难以应对复杂生产场景下多目标协同优化的需求。而基于 Transformer-GRU+NSGAII 的多目标优化算法，为解决这一难题提供了全新的思路和高效的解决方案。算法融合：Transformer-GRU 与 NSGAII 的协同机制

 荔枝科研工作室
2025-08-12 09:14:25

 868

 9

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【四目标】Matlab代码

在现代制造业的精密化、高效化发展进程中，工艺参数的优化至关重要，它直接影响产品质量、生产效率、成本控制以及资源消耗。传统的工艺参数优化方法往往依赖经验或单一目标优化，难以应对复杂生产场景下多目标协同优化的需求。而基于 Transformer-GRU+NSGAII 的多目标优化算法，为解决这一难题提供了全新的思路和高效的解决方案。算法融合：Transformer-GRU 与 NSGAII 的协同机制

 Matlab科研工作室
2025-08-12 09:14:14

 1247

 13

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【三目标】Matlab代码

在具有强时序特性的工业工艺（如多步热处理、连续轧制）中，工艺参数的动态变化（如温度随时间的阶梯式调整）对产品质量的影响显著。传统 Transformer 模型虽能捕捉参数间的全局关联，但对时序依赖的刻画不足；而 GRU（门控循环单元）擅长处理序列数据却受限于局部特征捕捉能力。

Matlab科研辅导帮
2025-08-11 13:12:49

 1020

 14

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【三目标】Matlab代码

在具有强时序特性的工业工艺（如多步热处理、连续轧制）中，工艺参数的动态变化（如温度随时间的阶梯式调整）对产品质量的影响显著。传统 Transformer 模型虽能捕捉参数间的全局关联，但对时序依赖的刻画不足；而 GRU（门控循环单元）擅长处理序列数据却受限于局部特征捕捉能力。

荔枝科研工作室
2025-08-11 13:12:47

 876

 21

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【三目标】Matlab代码

在具有强时序特性的工业工艺（如多步热处理、连续轧制）中，工艺参数的动态变化（如温度随时间的阶梯式调整）对产品质量的影响显著。传统 Transformer 模型虽能捕捉参数间的全局关联，但对时序依赖的刻画不足；而 GRU（门控循环单元）擅长处理序列数据却受限于局部特征捕捉能力。

Matlab_数学建模助手
2025-08-11 13:12:46

 828

 29

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【三目标】Matlab代码

在具有强时序特性的工业工艺（如多步热处理、连续轧制）中，工艺参数的动态变化（如温度随时间的阶梯式调整）对产品质量的影响显著。传统 Transformer 模型虽能捕捉参数间的全局关联，但对时序依赖的刻画不足；而 GRU（门控循环单元）擅长处理序列数据却受限于局部特征捕捉能力。

Matlab科研工作室
2025-08-11 13:12:45

 898

 30

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【三目标】Matlab代码

在具有强时序特性的工业工艺（如多步热处理、连续轧制）中，工艺参数的动态变化（如温度随时间的阶梯式调整）对产品质量的影响显著。传统 Transformer 模型虽能捕捉参数间的全局关联，但对时序依赖的刻画不足；而 GRU（门控循环单元）擅长处理序列数据却受限于局部特征捕捉能力。

matlab科研助手
2025-08-11 13:12:44

 689

 19

#transformer #gru #算法
基于Transformer-GRU+NSGAII多目标优化算法的工艺参数优化【三目标】Matlab代码

在具有强时序特性的工业工艺（如多步热处理、连续轧制）中，工艺参数的动态变化（如温度随时间的阶梯式调整）对产品质量的影响显著。传统 Transformer 模型虽能捕捉参数间的全局关联，但对时序依赖的刻画不足；而 GRU（门控循环单元）擅长处理序列数据却受限于局部特征捕捉能力。

Matlab科研工作室
2025-08-11 13:12:37

 937

 29

#transformer #gru #算法
基于NRBO-CNN-GRU-Attention 6 模型多变量时序预测一键对比(多输出单输出)

【摘要】本文提供了一套基于6种混合神经网络模型的多变量时序预测Matlab代码，包括NRBO-CNN-GRU-Attention等创新组合。该代码采用牛顿-拉夫逊优化算法(NRBO)自动调参，支持光伏、风电等能源预测任务。主要特点：1）一键运行main函数即可生成所有预测结果和对比图表；2）内置北半球光伏测试数据，支持Excel格式数据替换；3）输出R2、MAE等多项评估指标；4）适配MATLAB

small_ccb
2025-08-11 12:12:41

 488

 7

#cnn #gru
深入 RNN（GRU）模型：输入输出维度变化全解析

本文深入解析了基于GRU的RNN模型中输入输出维度变化过程。首先介绍了编码器结构，包含词嵌入层和GRU层输入数据初始形态为(batch_size, seq_len)，经过词嵌入层后变为(batch_size, seq_len, hidden_size)。GRU层处理时，输出output保持相同维度，而hidden状态的维度为(1, batch_size, hidden_size)。文章通过表格清晰

 诗人啊_程序员
2025-08-09 13:54:09

 1071

 13

#rnn #gru #深度学习
RNN、LSTM、GRU等模型使用GPU时的常见错误

错误信息：RuntimeError: Input and hidden tensors are not at the same device, found input tensor at cuda:0 and hidden tensor at cpu错误提示说，输入的张量在cuda中，但模型的隐藏层在CPU中，但我们检查模型，发现模型已经被放入到了cuda中了# 实例化模型model = LSTM

weixin_44457930
2022-01-24 21:35:16

 4119

 9

#lstm #rnn #gru
MLP、LSTM、GRU

MLP、LSTM、GRU

小白随笔记$$
2023-04-03 10:48:31

 1261

 1

#lstm #gru #深度学习 +1
门控循环单元（GRU）

在保留LSTM长程记忆能力的前提下，简化网络结构。

pljnb
2025-04-22 16:04:17

 1271

 20

#gru #深度学习 #人工智能
对RNN、LSTM、GRU的理解

本文章是根据本人在查阅了csdn，bilibili之后而写的心得，有部分内容转载于csdn。试验结果是根据中国mooc大学 TensorFlow学习笔记提供的代码的结果。

笨小白莫邪
2022-03-15 20:07:27

 7551

 4

#rnn #lstm #gru
Pytorch利用GRU、LSTM实现中文情感分类

Pytorch利用GRU、LSTM实现中文情感分类

 ズ神马都是浮云＆スタ
2022-03-17 20:20:02

 2554

 2

#pytorch #lstm #gru +1
【Python时序预测系列】基于GRU模型实现多变量时间序列预测（案例+源码）

基于GRU模型实现多变量时间序列预测（案例+源码）

数据杂坛
2024-10-08 10:39:26

 1054

 5

#python #gru #深度学习
RNN,LSTM,GRU回顾（主要知道代码怎么使用）

lstm返回的是一个output实际也就是rnn中的纵向输出，所以其序列的长度为4，那么这个纵向输出是短期记忆还是长期记忆输出的呢？当我们想要输出每一层对应的输出的时候，由于每一层此时对应正向一个输出，反向一个输出，故每一层实际对应两个输出，但是不同于字符输出，其并不会在最后一个维度上翻倍，而是相当于只增加输出的数量，即在第0个维度上进行堆叠。当我们想要输出每个字符对应的输出的时候，由于正向有一套

 做梦还会想
2023-07-04 16:06:16

 514

#rnn #lstm #gru
动态多目标优化：基于门控循环单元网络定向改进预测的动态多目标进化算法（GRU-DIP-DMOEA）求解CEC2018（DF1-DF14），提供MATLAB代码

基于门控循环单元网络定向改进预测的动态多目标进化算法（Gated Recurrent Unit Learning-Based Directional Improvement Prediction for Dynamic Multiobjective Optimization，GRU-DIP-DMOEA）是基于定向改进预测的动态多目标进化算法（Learning-Based Directional I

IT猿手
2025-04-12 23:05:14

 978

 8

#算法 #依赖倒置原则 #matlab +3
循环神经网络RNN、LSTM以及GRU 对比(附代码)

使用实际案例：生成酒店评论，对比 RNN、LSTM 以及 GRU，在生成效果、训练时长等方面

 lihuayong
2025-02-28 23:15:28

 1633

 15

#rnn #lstm #gru +3
RNN、LSTM、GRU汇总

RNN、LSTM、GRU汇总

 爱补鱼的猫猫
2025-04-08 12:09:29

 2300

 14

#rnn #lstm #gru
揭露广告联盟不为人知的骗局

如今，各种类型的网站数不胜数。这些网站根据流量和权重进行分级。流量大权重高的网站属于大网站，流量权重低的网站属于中小网站。大网站最重要的是流量，广告联盟就是求广告。中小站长只要中间尴尬，只能直接联系广告联盟申请广告。我和很多广告联盟合作过，但是很少拿到钱。广告联盟各种借口拒绝借钱，被骗成了家常便饭。当然，我不可能和广告联盟的所有人都合作过，我只和少数人合作过。一次又一次的被骗，教会了我很多经验。我

 聆听科技
2022-12-21 14:24:48

 1w

#gru
独家首发 | Matlab实现Transformer-GRU多变量回归预测

近年来，深度学习技术在时间序列预测领域取得了显著进展，Transformer 和 GRU 等模型在处理长序列依赖性和复杂非线性关系方面展现出优异性能。本文将介绍一种基于 Transformer-GRU 的多变量回归预测模型，并使用 Matlab 语言进行实现，旨在为读者提供一个可行且有效的解决方案。模型架构本模型结合了 Transformer 和 GRU 的优势，构建了一个高效的多变量回归预测框架

 Matlab_数学建模助手
2024-07-31 11:32:55

 785

 3

#matlab #transformer #gru
pytorch 笔记：GRU

在多层GRU中，第 l 层的输入（对于 l≥2）是前一层的隐藏状态乘以概率 dropout。

UQI-LIUWJ
2023-11-01 20:47:22

 2374

#pytorch #gru

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号