让我们从 CNN 和 LSTM 的结合开始说起: 卷积残差记忆网络(参见论文:Convolutional Residual Memory Networks) 动态NTM(参见论文:Dynamic Neural Turing Machine with Soft and Hard Addressing Schemes) 可发展神经图灵机(参见论文:Evolving Neural Turing Machines for Reward-based Learning) 视觉注意的循环模型(参见论文...
循环神经网络(Recurrent Neural Network, RNN)的主要用途是处理和预测序列数据。无论是全连接神经网络还是卷积神经网络,其网络结构都是从输入层到隐藏层再到输出层,层与层之间是全连接或者部分连接,层之间的节点是无连接的。而循环神经网络隐藏层之间的结点是有连接的,隐藏层的输入不仅包括输入层的输出,还包括...
GRU是另一种对RNN进行优化的结构。它在保持LSTM效果的同时,简化了模型结构,使得训练过程更为高效。 5. 生成对抗网络(GAN) GAN由生成器和判别器两部分组成,它能够生成极为逼真的图像、语音等数据。这使得GAN在数据增强、艺术创作等领域具有广泛的应用前景。
本课程介绍用图卷积神经网络(GCN),实现一个「火车票文字信息识别提取」的项目。实验证明,LSTM+GCN网络结构,在身份证、护照、驾驶证、发票、购物小票等证件和票据识别上,有非常好的效果。 适合人群有Python 基础、熟悉 Pytorch、了解 LSTM 等常用 NLP 算法的同学。 课程大纲章节1:项目和模型简介课时1视频LSTM_GCN ...