本节讲深度学习用于文本和序列用于处理序列的两种基本的深度学习算法分别是循环神经网络（recurrent neural network）和一维卷积神经网络（1D convnet） 与其他所有神经网络一样，深度学习模型不会接收原始文本作为输入，它只能处理数值张量。文本向量化（vectorize）是指将文本转换为数值张量的过程。它有多种实现方法将文本分割为单词，并将每个单词转换为一个向量将文本分割为字符
DeepAR代码详析（pytorch版）实现用电量预测 – 潘登同学的RNN学习笔记 文章目录DeepAR代码详析（pytorch版）实现用电量预测 -- 潘登同学的RNN学习笔记数据集说明数据预处理代码构造模型Loss函数评估指标相关utils工具类训练模型 前言： 上次用Amazon中的glount-ts框架做了一个deepar的股价预测，但是我感觉用的是人家的API，不太好，所以今天来搂一
转载
2023-08-04 13:45:38
342阅读
python 中的魔法函数 魔法方法（magic methods）：python 中的魔法方法是指方法名以两个下划线开头并以两个下划线结尾的方法，因此也叫 Dunder Methods (Double Underscores)，常用于运算符重载。魔法方法会在对类的某个操作时后端自动调用，而不需要自己直接调用。例如，创建一个类A的对象，a=A()，python就会自动调用__new__()
转载
2024-08-15 18:38:03
42阅读
在实际搭建深度学习网络中遇到很多坑，也在读别人的代码时看到很多技巧，统一做一个记录，也方便自己查阅参数配置Argparser库Argparser库是python自带的库，使用Argparser能让我们像在Linux系统上一样用命令行去设置参数，生成的parse_args对象将所有的参数打包，在多个文件中传递修改参数时非常方便import argparse
parser = argparse.
转载
2024-02-02 07:24:19
120阅读
概述前面介绍了Prophet算法，Prophet在商业时间序列预测上有很大的优势，但是存在以下缺点：时间t上的观测值的分布只能是高斯分布无法高效处理大量相关时间序列下面开始介绍一种新的算法：亚马逊于2017年发表论文。DeepAR（Probabilistic Forecasting with Autoregressive Recurrent），这是一种将深度学习和概率模型结合起来的自回归模型。主要
转载
2023-08-31 21:59:08
94阅读
DeepFM
前言源码在这个作者的githubhttps://github.com/EternalStarICe/recommendation-system-model
本文为其一个读后感。1、数据加载原始数据，除去Id和label列；13列数值特征前缀为I，26列类别特征前缀为C。def load_data():
# file_path = '
转载
2023-11-30 15:25:32
103阅读
# 教你如何实现 Deepar Python
在机器学习和时间序列预测领域，Deepar 是一种强大的深度学习模型。本文将引导你如何通过 Python 实现 Deepar 模型，并帮助你更好地理解每一步的流程。
## 实现流程
下面是实现 Deepar 模型的主要步骤：
| 步骤 | 描述 |
| ------ | ------
原创
2024-09-10 06:29:12
152阅读
DeepAR概述DeepAR是亚马逊提出的一种针对大量相关时间序列统一建模的预测算法，该算法采用了深度学习的技术，通过在大量时间序列上训练自回归递归网络模型，可以从相关的时间序列中有效地学习全局模型，并且能够学习复杂的模式，例如季节性、数据随时间的不确定性增长，从而对各条时间序列进行预测。DeepAR原理和实现过程 上图左边是模型的训练过程，右边是模型的预测过程。原理deepar目标是在给定历史h
转载
2023-08-18 11:41:49
197阅读
# DeepAR：基于深度学习的时间序列预测方法
随着信息技术的迅速发展，时间序列预测在许多领域中变得越来越重要，如金融市场、气候变化和销售预测等。DeepAR是一种基于深度学习的方法，可以有效地进行时间序列预测。本文将介绍DeepAR的基本原理以及如何在Python中实现它，并提供相关代码示例。
## 什么是DeepAR？
DeepAR是由亚马逊提出的一种方法，旨在处理高度复杂的时间序列数
Abstract在本文中，提出了DeepAR，一种基于大量相关时间序列的自回归循环网络模型的概率预测方法。我们演示了如何应用深度学习技术来预测，可以克服当前广泛使用的经典方法的所面临的问题。我们通过对几个真实世界的预测数据集进行广泛的实证评估表明，与最先进的方法相比，预测精度提高了15%左右。 1 Introduction 首先就是介绍时间预测的重要性，并举了一些例
转载
2024-01-16 16:54:01
72阅读
1、正则化与偏差-方差分解Regularization：减小方差的策略；误差可分解为偏差，方差与噪声之和，即误差=偏差+方差+噪声之和；偏差度量了学习算法的期望预测与真实结果的偏离程度，即刻画了学习算法本身的拟合能力；方差度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响；噪声则表达了在当前任务上任何学习算法所能达到的期望泛化误差的下界；该模型在测试集的效果比较差，这
转载
2023-11-09 14:21:23
52阅读
backward函数官方定义：torch.autograd.backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False, grad_variables=None)Computes the sum of gradients of given tensors w
转载
2024-08-20 17:29:17
55阅读
GMF模型1.从深度学习的视角可以理解为矩阵分解模型，其中矩阵分解层的用户隐向量和物品隐向量可以看做是一种Embedding方法，然后将Embedding后的向量进行点积 最后通过一个线性层输出 2.模型结构如下 所以输入的模型中的数据有num_users（user的数量），num_items（item的数量），embed_dim(Embedding的维度)模型需要输入的数据inputs里面应该为
转载
2023-11-26 10:58:13
92阅读
文本嵌入预训练模型Glove1.词嵌入预训练模型2.Glove3.求近义词和类比词1.文本嵌入预训练模型虽然 Word2Vec 已经能够成功地将离散的单词转换为连续的词向量，并能一定程度上地保存词与词之间的近似关系，但 Word2Vec 模型仍不是完美的，它还可以被进一步地改进：子词嵌入（subword embedding）：FastText 以固定大小的 n-gram 形式将单词更细致地表示为了
转载
2023-12-06 17:05:29
63阅读
PyTorch 1.x 常用API1. 简介1.1 ResNet模型1.2 torch.nn.Module1.2.1 torch.nn.Module.cpu()1.2.2 torch.nn.Module.cuda1.2.3 torch.nn.Module.eval()1.2.4 torch.nn.Module.state_dict1.2.5 torch.nn.Module.load_state_
转载
2024-05-16 10:28:43
186阅读
1、验证conda是否安装成功在安装pytorch之前，需要验证coda安装是否成功 WIN+R键，打开cmd，输入nvcc -V,出现以下界面说明安装成功，并且知道版本为10.2（记住）2、创建虚拟环境在命令窗口输入命令cona create -n torch38 python=3.8, 其中torch38是你创建虚拟环境的名称，可以根据你自己的喜好进行设置，建议不要太复杂。pthon=3.8是
转载
2023-10-23 10:15:12
85阅读
摘要：在MLP分类器的分析过程中，可以分为数据预处理和网络训练以及可视化部分，其中数据预处理部分会针对数据是否进行标准化处理进行单独分类，主要是用于分析数据标准化对于MLP网络训练的重要性。一、数据准备与探索： 在该数据集中，包含57个邮件内容的统计特征，其中有48个特征是关键词出现的频率*100的取值，6个特征为关
转载
2023-11-03 13:42:37
117阅读
单臂摆是强化学习的一个经典模型，本文采用了4种不同的算法来解决这个问题，使用Pytorch实现。以下是老版本，2022年9月14日新增Dueling DQN, Actor-Critic算法， SAC，更新了PPO，DDPG算法，在文末。DQN：参考：算法思想：https://mofanpy.com/tutorials/machine-learning/torch/DQN/算法实现https://p
转载
2024-05-21 07:12:48
115阅读
Pytorch官方教程(三)—Learning Pytorch with ExamplesPytorch 提供了两个主要特性：n 维 Tensor，类似 numpy 不过可以在 GPU 上运行构建和训练神经网络的自动微分使用全连接 ReLU 网络作为运行示例。在网络中有一个隐藏层，并通过梯度下降训练来匹配随机数据，使网络输出与真实输出之间的欧氏距离最小化。TensorsWarm-up ：nump
转载
2024-08-27 19:17:27
9阅读
Tensor与Variable1.Tensor1.1.expand(*sizes)1.2.unfold(dim, size, step) → Tensor1.3.index_add_(dim, index, tensor) → Tensor1.4.view(*args) → Tensor2.Variable2.1.API 兼容性2.2.in-place 正确性检查2.3.class torch.
转载
2023-11-29 00:45:30
84阅读
