开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何从tensorflow中的双向rnn获取所有状态

从TensorFlow中的双向RNN获取所有状态的方法如下：

首先，确保已经安装了TensorFlow库，并导入所需的模块：

import tensorflow as tf

定义双向RNN的输入数据和参数：

# 假设输入数据是一个形状为[batch_size, sequence_length, input_dim]的三维张量
input_data = tf.placeholder(tf.float32, [None, sequence_length, input_dim])

# 定义双向RNN的参数
num_units = 128  # RNN单元的数量
cell_fw = tf.nn.rnn_cell.BasicRNNCell(num_units)
cell_bw = tf.nn.rnn_cell.BasicRNNCell(num_units)

创建双向RNN的网络结构：

# 使用tf.nn.bidirectional_dynamic_rnn函数创建双向RNN
outputs, states = tf.nn.bidirectional_dynamic_rnn(cell_fw, cell_bw, input_data, dtype=tf.float32)

获取所有状态：

# 获取正向RNN的所有状态
states_fw = states[0]

# 获取反向RNN的所有状态
states_bw = states[1]

完整的代码示例：

import tensorflow as tf

# 定义输入数据和参数
input_data = tf.placeholder(tf.float32, [None, sequence_length, input_dim])
num_units = 128
cell_fw = tf.nn.rnn_cell.BasicRNNCell(num_units)
cell_bw = tf.nn.rnn_cell.BasicRNNCell(num_units)

# 创建双向RNN的网络结构
outputs, states = tf.nn.bidirectional_dynamic_rnn(cell_fw, cell_bw, input_data, dtype=tf.float32)

# 获取所有状态
states_fw = states[0]
states_bw = states[1]

以上代码演示了如何从TensorFlow中的双向RNN获取所有状态。双向RNN可以同时利用正向和反向的信息，适用于许多序列数据的任务，如自然语言处理、语音识别等。在TensorFlow中，可以使用tf.nn.bidirectional_dynamic_rnn函数创建双向RNN，并通过states参数获取所有状态。

相关搜索:Android，如何从片段中获取activity中的状态 Tensorflow:如何使用dynamic_rnn从LSTMCell获取中间单元状态(c)？Tensorflow:如何获取张量的所有可能索引 Tensorflow中多层双向RNN的困惑在Tensorflow中获取欧几里德距离的所有组合？如何从Jlist中获取所有值？如何从NGXS存储中获取以前的状态如何从TensorFlow .pb模型中获取权重格式？如何从tensorflow einsum结果中获取numpy数组？如何从Tensorflow中的张量中获取特定行？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

tensorflow学习笔记(三十九):双向rnn

本文介绍了双向循环神经网络在序列数据处理上的应用，并给出了TensorFlow和Keras两个库在双向RNN上的实例代码。同时，文章还探讨了循环神经网络在序列数据处理上的应用，包括双向循环神经网络和序列循环神经网络的应用，并给出了相应的代码实例。

05

tensorflow学习笔记(三十九) : 双向rnn (BiRNN)

双向RNN实际上仅仅是两个独立的RNN放在一起, 本博文将介绍如何在tensorflow中实现双向rnn

03

fastText、TextCNN、TextRNN…这套NLP文本分类深度学习方法库供你选择

文经公众号「机器人圈」授权转载（微信号：ROBO_AI）本文长度为4473字，建议阅读10分钟本文为你介绍一套NLP文本分类深度学习方法库及其12个模型。这个库的目的是探索用深度学习进行NLP文本分类的方法。它具有文本分类的各种基准模型，还支持多标签分类，其中多标签与句子或文档相关联。虽然这些模型很多都很简单，可能不会让你在这项文本分类任务中游刃有余，但是这些模型中的其中一些是非常经典的，因此它们可以说是非常适合作为基准模型的。每个模型在模型类型下都有一个测试函数。我们还探讨了用两个seq

Tensorflow动态seq2seq使用总结

tf-seq2seq是Tensorflow的通用编码器 - 解码器框架，可用于机器翻译，文本汇总，会话建模，图像字幕等。动机其实差不多半年之前就想吐槽Tensorflow的seq2seq了（后面博

09

『算法理论学』深度学习推理加速方法之网络层与算子融合

网络层与算子融合是非常有效的方法，本文将配合TensorRT与tflite推理框架介绍下网络层与算子融合的原理与应用。

04

python代码实战 | 用 TensorFlow 实现序列标注：基于bi-LSTM+CRF和字符嵌入实现NER和POS

我记得我第一次听说深度学习在自然语言处理（NLP）领域的魔力。我刚刚与一家年轻的法国创业公司Riminder开始了一个项目，这是我第一次听说字嵌入。生活中有一些时刻，与新理论的接触似乎使其他一切无关紧要。听到单词向量编码了单词之间相似性和意义就是这些时刻之一。当我开始使用这些新概念时，我对模型的简单性感到困惑，构建了我的第一个用于情感分析的递归神经网络。几个月后，作为法国大学高等理工学院硕士论文的一部分，我正在 Proxem 研究更高级的序列标签模型。

03

TensorFlow 1.2正式发布，新增Python 3.6支持

王小新编译整理量子位出品 | 公众号 QbitAI TensorFlow 1.2.0今日正式发布。主要功能和改进点：在Windows系统下新增对Python 3.6的支持。新增函数tf.layers.conv3d_transpose，用于时空反卷积操作。新增函数tf.Session.make_callable()，降低了多次运行类似操作的计算开销。新增基于ibverbs的RDMA支持（远程直接数据存取）（由雅虎的junshi15贡献）。 RNNCell现在为tf.layers.layer的子

04

【TensorFlow 谷歌神经机器翻译】从零开始打造属于你的翻译系统

【新智元导读】谷歌今天公布了一个用 TensorFlow 构建神经机器翻译（NMT）系统的教程，全面解释 seq2seq 模型，并演示如何从零开始构建 NMT 翻译模型。这个教程从 NMT 的背景知识讲起，详细讲解如何构建并训练一个 NMT 模型，并提供代码，绝对有用。机器翻译——自动在两种语言之间进行翻译的任务——是机器学习中最活跃的研究领域之一。在多种机器翻译方法中，序列到序列（“seq2seq”）模型最近取得了巨大的成功，并已经成为大多数商业翻译系统的事实上的标准，例如谷歌翻译。这是由于 seq2s

04

NNLM、RNNLM、LSTM-RNNLM、Bi-lstm、GPT-1…你都掌握了吗？一文总结语音识别必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 17 个在语音识别任务上曾取得 SOTA 的经典模型。第 1 期：NNLM、RNNLM、LSTM-RNNLM、Bi-lstm、Bi-RN

02

TensorFlow 1.2.0新版本发布：新增Intel MKL优化深度学习基元

大数据文摘作品，转载要求见文末作者 | av8ramit 编译｜钱天培 TensorFlow在今天最新发布了1.2.0版本。在这一新版本中，TensorFlow新增Intel MKL优化深度学习基元，实现了对Windows系统上对Python 3.6的支持，发布了开源版的TensorBoard，并进行了大量的命名修改，以实习同一模块内命名的一致性。下面，大数据文摘将为你带来完整版的TensorFlow 1.2.0 改进介绍。 ◆ 在Windows上提供Python 3.6支持 ◆为spatio tempo

04

理解LSTM网络（整合）Recurrent Neural Networks长期依赖（Long-Term Dependencies）问题LSTM 网络GRU - Gated Recurrent Unit

LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。下面

02

TensorFlow系列专题（七）：一文综述RNN循环神经网络

前馈神经网络不考虑数据之间的关联性，网络的输出只和当前时刻网络的输入相关。然而在解决很多实际问题的时候我们发现，现实问题中存在着很多序列型的数据，例如文本、语音以及视频等。这些序列型的数据往往都是具有时序上的关联性的，既某一时刻网络的输出除了与当前时刻的输入相关之外，还与之前某一时刻或某几个时刻的输出相关。而前馈神经网络并不能处理好这种关联性，因为它没有记忆能力，所以前面时刻的输出不能传递到后面的时刻。

03

RNN与LSTM之间的介绍和公式梳理

最近在整理tensorflow，经常用到RNN与lSTM，故整理如下： -RNN：循环神经网络(Recurrent Neural Networks) -LSTM：长短时记忆网络（Long Short-Term Memory）在看这篇文章之前，如果之前没有接触过-神经网络，请先阅读-神经网络调优 RNNs的目的使用来处理序列数据。其在自然语言中贡献巨大，中文分词、词性标注、命名实体识别、机器翻译、语音识别都属于序列挖掘的范畴。序列挖掘的特点就是某一步的输出不仅依赖于这一步的输入，还依赖于其他步的

06

贼好理解，这个项目教你如何用百行代码搞定各类NLP模型

近日，来自韩国庆熙大学的 Tae Hwan Jung 在 Github 上创建了这样一个项目：「nlp-tutorial」。

02

RNN与LSTM之间的介绍和公式梳理

最近在整理tensorflow，经常用到RNN与lSTM，故整理如下： -RNN：循环神经网络(Recurrent Neural Networks) -LSTM：长短时记忆网络（Long Short-Term Memory）

01

CopyNet、SeqGAN、BERTSUM…你都掌握了吗？一文总结文本摘要必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 2 期进行连载，共介绍 17 个在文本摘要任务上曾取得 SOTA 的经典模型。第 1 期：CopyNet、SummaRuNNer、SeqGAN、Latent Ex

04

看硅谷数据工程师如何使用TensorFlow构建、训练和改进RNN

在本文中，我们提供了一个用于训练语音识别的RNN的简短教程，其中包含了GitHub项目链接。作者：Matthew Rubashkin、Matt Mollison 硅谷数据科学公司在SVDS的深度

04

tensorflow2.3实战循环神经网络

一：理论部分 embedding和变长输入处理序列式问题循环神经网络 LSTM模型原理二：实战 keras实现embedding keras搭建循环神经网络文本生成文本分类 1.1embed

02

TensorFlow Bi-LSTM实现文本分词

本节我们来尝试使用 TensorFlow 搭建一个双向 LSTM (Bi-LSTM) 深度学习模型来处理序列标注（分词）问题，主要目的是学习 Bi-LSTM 的用法。 Bi-LSTM 我们知道 RNN 是可以学习到文本上下文之间的联系的，输入是上文，输出是下文，但这样的结果是模型可以根据上文推出下文，而如果输入下文，想要推出上文就没有那么简单了，为了弥补这个缺陷，我们可以让模型从两个方向来学习，这就构成了双向 RNN。在某些任务中，双向 RNN 的表现比单向 RNN 要好，本文要实现的文本分词就是其中之一。

08

转载｜使用PaddleFluid和TensorFlow训练序列标注模型

上一篇通过转载｜使用PaddleFluid和TensorFlow训练RNN语言模型大家了解了：

03

[TensorFlow深度学习入门]实战十一·用双向BiRNN(LSTM)做手写数字识别准确率99%+

此博文是我们在完成实战五·用RNN(LSTM)做手写数字识别的基础上使用BiRNN(LSTM)结构，进一步提升模型的准确率，1000steps准确率达到99%。

05

机器学习&人工智能博文链接汇总

争取每天更新 ? 126 蜗牛的历程： [入门问题] [机器学习] [聊天机器人] [好玩儿的人工智能应用实例] [TensorFlow] [深度学习] [强化学习] [神经网络

06

谷歌开放GNMT教程：如何使用TensorFlow构建自己的神经机器翻译系统

选自谷歌机器之心编译参与：机器之心编辑部近日，谷歌官方在 Github 开放了一份神经机器翻译教程，该教程从基本概念实现开始，首先搭建了一个简单的NMT模型，随后更进一步引进注意力机制和多层 LSTM 加强系统的性能，最后谷歌根据 GNMT 提供了更进一步改进的技巧和细节，这些技巧能令该NMT系统达到极其高的精度。机器之心对该教程进行简要的描述，跟详细和精确的内容请查看项目原网站。 GitHub 链接：https://github.com/tensorflow/nmt 机器翻译，即跨语言间的自动翻译，

06

TensorFlow系列专题（九）：常用RNN网络结构及依赖优化问题

前面的内容里我们介绍了循环神经网络的基本结构，这一小节里我们介绍几种更常用的循环神经网络的结构。

05

文本摘要生成 - 基于注意力的序列到序列模型

摘要生成算法主要分为抽取型(Extraction-based)和概括型(Abstraction-based)两类. 传统的摘要生成系统大部分都是抽取型的, 这类方法从给定的文章中, 抽取关键的句子或者短语, 并重新拼接成一小段摘要, 而不对原本的内容做创造性的修改. 这类抽取型算法工程上已经有很多开源的解决办法了, 例如Github上的项目sumy, pytextrank, textteaser等. 本文重点讲概括型摘要生成系统的算法思想和tensorflow实战, 算法思想源于A Neural Attention Model for Abstractive Sentence Summarization这篇论文. 本文希望帮助读者详细的解析算法的原理,再结合github上相关的开源项目textsum讲解工程上的实际应用.

02

用Bi-GRU+Attention和字向量做端到端的中文关系抽取

使用CNN或者双向RNN加Attention的深度学习方法被认为是现在关系抽取state of art的解决方案。已有的文献和代码，大都是针对英文语料，使用词向量作为输入进行训练。这里以实践为目的，介绍一个用双向GRU、字与句子的双重Attention模型，以天然适配中文特性的字向量(character embedding)作为输入，网络爬取数据作为训练语料构建的中文关系抽取模型。

01

教程 | 如何使用TensorFlow构建、训练和改进循环神经网络

选自SVDS 作者：Matthew Rubashkin、Matt Mollison 机器之心编译参与：李泽南、吴攀来自 Silicon Valley Data Science 公司的研究人员为我们展示了循环神经网络（RNN）探索时间序列和开发语音识别模型的能力。目前有很多人工智能应用都依赖于循环深度神经网络，在谷歌（语音搜索）、百度（DeepSpeech）和亚马逊的产品中都能看到RNN的身影。然而，当我们开始着手构建自己的 RNN 模型时，我们发现在使用神经网络处理语音识别这样的任务上，几乎没有简单直

09

【TensorFlow1.2.0版发布】14大新功能，增加Intel MKL集成

【新智元导读】TensorFlow 今天发布最新版 1.2.0，公布了14大最新功能。新智元带来最新介绍，包括 API 的重要变化、contrib API的变化和Bug 修复及其他改变。附代码链接。主要的功能和改进 1. Windows上支持Python3.6。 2. 时空域去卷积（spatio temporal deconvolution.）增加了tf.layers.conv3d_transpose层。 3. 增加了tf.Session.make_callable( )，为多次运行一个相同步骤的运行提供

09

不用看数学公式！图解谷歌神经机器翻译核心部分：注意力机制

注意力（Attention）机制，是神经机器翻译模型中非常重要的一环，直接影响了翻译的准确度与否。

03

贼好理解，这个项目教你如何用百行代码搞定各类NLP模型

近日，来自韩国庆熙大学的 Tae Hwan Jung 在 Github 上创建了这样一个项目：「nlp-tutorial」。

01

TensorFlow实现深度学习算法的教程汇集：代码＋笔记

本文主要介绍了如何通过 TensorFlow 和 Keras 在 Python 中实现一个简单的多层感知器（MLP）模型，并使用数据集对模型进行训练和评估。同时，还介绍了如何使用 TFLearn 的 built-in 操作和自定义操作来优化模型的训练过程。

07

深度学习TensorFlow的55个经典案例

本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备机器学习入门笔记： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_int

07

EeSen、FSMN、CLDNN、BERT、Transformer-XL…你都掌握了吗？一文总结语音识别必备经典模型（二）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 17 个在语音识别任务上曾取得 SOTA 的经典模型。第 1 期：NNLM、RNNLM、LSTM-RNNLM、Bi-lstm、Bi-RN

01

干货 | TensorFlow的55个经典案例

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第二【Python】：排名第三【算法】：排名第四转自1024深度学习导语：本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备机器学习入门笔记： https://github.com/ay

09

12篇文章带你进入NLP领域，掌握核心知识

专栏《NLP》第一阶段正式完结了。在本专栏中，我们从NLP中常用的机器学习算法开始，介绍了NLP中常用的算法和模型；从朴素贝叶斯讲到XLnet，特征抽取器从RNN讲到transformerXL。这篇文章我们就一起回顾一下这些文章。

01

TensorFlow实现深度学习算法的教程汇集：代码+笔记

这是使用 TensorFlow 实现流行的机器学习算法的教程汇集。本汇集的目标是让读者可以轻松通过案例深入 TensorFlow。这些案例适合那些想要清晰简明的 TensorFlow 实现案例的初学者。本教程还包含了笔记和带有注解的代码。项目地址：https://github.com/aymericdamien/TensorFlow-Examples 教程索引 0 - 先决条件机器学习入门：笔记：https://github.com/aymericdamien/TensorFlow-Examples

03

通俗易懂--循环神经网络(RNN)的网络结构！(TensorFlow实现)

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。

03

深度学习TensorFlow的55个经典案例

本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备机器学习入门笔记： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_

02

“你什么意思”之基于RNN的语义槽填充(Pytorch实现)

1. 概况 1.1 任务口语理解（Spoken Language Understanding, SLU）作为语音识别与自然语言处理之间的一个新兴领域，其目的是为了让计算机从用户的讲话中理解他们的意图

03

上手必备！不可错过的TensorFlow、PyTorch和Keras样例资源

TensorFlow、Keras和PyTorch是目前深度学习的主要框架，也是入门深度学习必须掌握的三大框架，但是官方文档相对内容较多，初学者往往无从下手。本人从github里搜到三个非常不错的学习资源，并对资源目录进行翻译，强烈建议初学者下载学习，这些资源包含了大量的代码示例（含数据集），个人认为，只要把以上资源运行一次，不懂的地方查官方文档，很快就能理解和运用这三大框架。

02

开发 | TensorFlow中RNN实现的正确打开方式

上周写的文章《完全图解RNN、RNN变体、Seq2Seq、Attention机制》介绍了一下RNN的几种结构，今天就来聊一聊如何在TensorFlow中实现这些结构，这篇文章的主要内容为：一个完整的、循序渐进的学习TensorFlow中RNN实现的方法。这个学习路径的曲线较为平缓，应该可以减少不少学习精力，帮助大家少走弯路。一些可能会踩的坑 TensorFlow源码分析一个Char RNN实现示例，可以用来写诗，生成歌词，甚至可以用来写网络小说！（项目地址：https://github.com/hzy

05

TensorFlow2.0 代码实战专栏（八）：双向循环神经网络示例

原项目 | https://github.com/aymericdamien/TensorFlow-Examples/

01

TensorFlow 中 RNN 实现的正确打开方式

上周写的文章《完全图解 RNN、RNN 变体、Seq2Seq、Attention 机制》介绍了一下 RNN 的几种结构，今天就来聊一聊如何在 TensorFlow 中实现这些结构。这篇文章的主要内容为：一个完整的、循序渐进的学习 TensorFlow 中 RNN 实现的方法。这个学习路径的曲线较为平缓，应该可以减少不少学习精力，帮助大家少走弯路。一些可能会踩的坑 TensorFlow 源码分析一个 Char RNN 实现示例，可以用来写诗，生成歌词，甚至可以用来写网络小说！（项目地址：https://

08

如果你看了好多文都没有看懂Attention

有一些推送中无法渲染的特殊符号，我会以LaTeX符号代替，会有轻微阅读不便，请各位谅解！

03

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第16章使用RNN和注意力机制进行自然语言处理

自然语言处理的常用方法是循环神经网络。所以接下来会从 character RNN 开始（预测句子中出现的下一个角色），继续介绍RNN，这可以让我们生成一些原生文本，在过程中，我们会学习如何在长序列上创建TensorFlow Dataset。先使用的是无状态RNN（每次迭代中学习文本中的随机部分），然后创建一个有状态RNN（保留训练迭代之间的隐藏态，可以从断点继续，用这种方法学习长规律）。然后，我们会搭建一个RNN，来做情感分析（例如，读取影评，提取评价者对电影的感情），这次是将句子当做词的序列来处理。然后会介绍用RNN如何搭建编码器-解码器架构，来做神经网络机器翻译（NMT）。我们会使用TensorFlow Addons项目中的 seq2seq API 。

02

实战 | 让机器人替你聊天，还不被人看出破绽？来，手把手教你训练一个克隆版的你

编译 | AI科技大本营（rgznai100）参与 | 史天聊天机器人到底是什么呢？说白了，就是计算机程序通过听觉或文本方法进行对话。当今最流行的四个对话机器人是：苹果的Siri、微软Cortana、谷歌助理、亚马逊的Alexa。他们能够帮你查比分、打电话，当然，偶尔他们也会出错。本文，我们主要会详细介绍聊天机器人在文本方面的运作。在这篇文章中，我们将看到如何使用深度学习模型训练聊天机器人用我们所希望的方式在社交媒体上进行对话。意图&深度学习如何训练一个高水平的聊天机器人呢？高水平的工作

08

疫情期间网民情绪识别top1~3解决方案

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 任务给定微博ID和微博内容，设计算法对微博内容进行情绪识别，判断微博内容是积极的、消极的还是中性的。全部代码 ,方案详情获取方式：关注微信公众号 datayx 然后回复情绪识别即可获取。 A榜第二,B榜第一方案 1.数据处理我们把数据编码转换为utf-8，把所有英文标点符号转换为中文标点符号，繁体转换为简体。把数据划分为5折。使用训练集、测试集和90万条语料训练GloVe词向量，在分词阶段把

01

【Manning主讲】斯坦福CS224n深度学习与NLP课程全部视频、PPT

【新智元导读】斯坦福大学CS224n（全称：深度学习与自然语言处理）是自然语言处理领域很受欢迎的课程，由 Chris Manning 和 Richard Socher 主讲。本课程所有教学视频和课程材

05

如何为神经机器翻译配置一个编码器 - 解码器模型

循环神经网络（RNN，Recurrent Neural Networks）中的编码器 - 解码器（Encoder-Decoder）架构在标准机器翻译基准上取得了相当先进的成果，这一架构目前正被工业级翻译服务作为核心来使用。

09

深度学习框架Caffe/CNTK/Tensorflow/Theano/Torch的评估与比较

分享有问题请到留言区互动人工智能无疑是计算机世界的前沿领域，而深度学习无疑又是人工智能的研究热点，那么现在都有哪些开源的深度学习工具，他们各自的优缺点又是什么呢？本文对Caffe、CNTK、TensorFlow、Theano和Torch等深度学习工具从网络、模型能力、接口、部署、性能、架构、生态系统、跨平台等方面做了比较。 1.网络和模型能力 Caffe Caffe可能是第一个主流的工业级深度学习工具，它开始于2013年底,具有出色的卷积神经网络实现。在计算机视觉领域Caffe依然是最流行的工具包，它有

08

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭