最简CNN based RNN源码

1.源码：

GitCode - 全球开发者的开源社区,开源代码托管平台

最终的效果：

• 数据集是20个周期，1024点sin(x)加了偏置。其中用于训练的有1024-300点。
• 最后300点用来进行测试。
• 上面的右侧输出的，其实对应左侧x=73之后的波形，周期准确。
• 训练的参数没有调太好，我看到过某一次出现过非常漂亮的正弦波。
• 右侧的归一化没有还原，原始的信号是：[1,3]，后面预测y轴震荡只有[0,1]
• 在选用激活函数时，不可以使用现行的Relu，必须引入非线性激活函数，我实际选择的是elu，Relu相当于采用了线性式拟合。它不行，你怎么训练出来的都是直线。
• 代码只有不到150行，还包含了一些调试语句。

本文参考了《深度学习与交通大数据实践》3.3.3，有修改。这基本是我个人临摹时，能够基本理清思路的第一版机器学习代码。我能够将其工程化。

2.额外的说明

1。tensor的张量运算，大概花费2小时左右，把所有的基本操作笔记下来，是值得的。

2。pytorch里的常用机器学习辅助函数，也值得花力气过一遍，知晓调用和语义。传统的CNN机器学习的模型搭建，难度不大。是可以用调试式编程解决的。

3。Yolo是一个足够好用的范本，可以追随着各个模型的差异，进行理解。

4。深度学习与交通大数据实战 (豆瓣)，如果项目工期足够紧，花费大概20课时，自习这本书，能给你足够多的知识来搭建自己的机器学习模型。它包含python语法，tensor运算，pytorch语法，一般的模型，以及很多应用案例。

5。如果是徒手进行模型搭建，记得这件事：模型最前方的卷积核的引入，主要的目的是基于效能的考虑，把数据的维度降下来，类似一种特征抽样。

6。最初进行模型搭建时，算法有效性核查的最佳实践，是用数据本身验证，就是构造一个output，维度精确等于input,如果能在卷积运算等多层处理后，大致能够还原回去，误差不大，说明模型本身没有问题。