【文件属性】：
文件名称：pyTorch_RNN_Examples:在Pytorch中使用RNN进行序列学习
文件大小：1.57MB
文件格式：ZIP
更新时间：2021-05-01 09:46:15
JupyterNotebook
在Pytorch中使用RNN进行序列学习
这里介绍了很少使用RNN进行序列学习的问题。 维护主要是出于学习的敏锐度。 如果您正在寻找可重用的最佳解决方案，那么此回购协议就不适合您的要求我将尝试添加更多的解释性数字，并在将来进行撰写
目录
序列2
Se2Seq对齐
没有对齐的Se2Seq
顺序存储Kth整数
这里的问题是在可变长度的数字序列中存储第k个数字。 假设如果序列为9,7,0,5,6且k = 3，则网络应输出0。这是一个问题的序列，其中输入数字使用一个长度为10的热向量表示输入数字（因为有10个数字） ）
二进制字符串加法
这个问题为序列学习示例引入了一个简单的序列，其中的任务是使RNN学习二进制加法。 问题被建模为seq2seq，其中输入和输出序列对齐。
输入字符串中的相应位在每个时间步形成2元素输入向量，目标位或期望位是输出二进制字符串中的相应位。 在此之前，如果输出字符串有
【文件预览】：
pyTorch_RNN_Examples-master
----OCR()
--------.ipynb_checkpoints()
--------lexicon.txt(796KB)
--------crnnstack.png(100KB)
--------CRNN_CTC_OCR.ipynb(27KB)
--------blstm.jpg(43KB)
--------fontsForRendering()
--------RNN_CTC_OCR.py.ipynb(71KB)
----LICENSE(11KB)
----README.md(3KB)
----MemorizeKthNumber()
--------KthNo_architecture.jpg(101KB)
--------OutputKthNumberInASequence.ipynb(66KB)
----BinaryStringAddition()
--------.ipynb_checkpoints()
--------binaryinput.jpg(27KB)
--------binAdd.png(174KB)
--------binarynet.jpg(44KB)
--------AddBinaryStrings.py.ipynb(16KB)