登录社区云，与社区用户共同成长
邀请您加入社区
本文通过完整的实战案例，详细介绍了 LSTM 在时间序列预测中的应用及性能优化方法。然而，时间序列预测的探索远不止于此。在实际应用中，你还可以尝试结合注意力机制进一步提升模型对关键时间点的捕捉能力；或者引入强化学习，根据预测结果动态调整模型参数。如果你在实践过程中遇到问题，欢迎在评论区留言，也期待你分享自己在时间序列预测领域的创新实践！这篇博客聚焦前沿技术与优化策略，为读者提供深度技术内容。你若对
本项目实现了一个从数据到模型、从前端到后端的完整心理健康分析系统，具备较强的实用性和可扩展性。通过LSTM与BERT的融合，系统不仅具备高准确率，还保留了较好的可解释性。我们希望通过开源该项目，推动AI在心理健康领域的合规、可信、有温度的应用。
这种转移的催化剂是。
本文综述了Hadoop+Spark+Hive技术在招聘大数据分析可视化中的应用进展。该技术栈通过HDFS分布式存储、Spark内存计算和Hive数据仓库，有效解决了PB级招聘数据处理难题。文章从技术架构、功能实现和优化策略三方面展开：1）分布式框架实现高效存储与计算，Spark处理2.4亿日志比传统方法快85%；2）应用场景包括智能推荐系统（NDCG@10达0.78）、趋势分析和实时监控；3）通过
算法研究员十年演进（2015–2025）摘要 2015至2025年，算法研究员从手工调参的“竞赛刷分仔”跃升为定义智能范式的“文明级科学家”。2015年以CNN和ImageNet刷榜为主，薪资50–100万；2019年转向预训练大模型（BERT/GPT），中国华为、阿里领跑千亿参数研究；2021年MoE和分布式训练兴起，薪资突破800万。2023年进入多模态VLA时代，统一视觉语言动作；2025年
摘要： 2015至2025年，图像处理技术经历了从手工滤波+CNN特征提取（精度80%）到万亿级多模态VLA端到端统一处理（精度>99%）的跨越式发展。中国从早期跟随OpenCV/ResNet跃升为全球领跑者（华为盘古、阿里通义千问等），推动实时性从离线提升至毫秒级，并实现全场景零样本理解。技术演进分为三阶段：2015-2018年以手工特征为主；2019-2022年单阶段实时+Transfo
摘要： 2015-2025年间，CUDA从手工内核、FP32精度的专家时代，演进为Triton Python内核、量子混合精度自适应的普惠智能时代。中国从跟随者跃升为全球并跑/领跑者，国产芯片崛起使CUDA生态份额从>95%降至~60%。核心演进包括：2015-2018年手工C++内核阶段；2019-2022年混合精度与多实例GPU阶段；2023-2025年Triton革命与量子自进化阶段，
摘要： 2015-2025年，云计算从IaaS虚拟机手工运维时代演进为AI原生智能云时代，中国从跟随者跃升为全球领跑者。2015-2018年以IaaS为主，2019-2022年容器化与Serverless技术大幅提升效率并降低成本80%。2023-2025年进入大模型云原生与量子混合加速阶段，支持十万亿参数训练，成本降至1%。中国云厂商（阿里云、华为云等）主导技术创新，推动AI从实验室走向普惠化，
摘要： 2015-2025年，模型预测控制（MPC）从传统线性优化（手工建模、秒级求解）演进至端到端VLA大模型时代（可微MPC、量子加速、社交博弈）。中国实现从跟随到领跑（小鹏XNGP、华为ADS等），实时性从秒级突破至20μs，预测时域扩展至100+步，鲁棒性升级为全场景自愈。MPC推动智驾/机器人从刚性轨迹优化迈向意图级社交预测控制，完成技术范式跃迁。
摘要： 2015至2025年，智能驾驶决策控制技术经历了从规则状态机到端到端VLA大模型的跨越式发展。2015年以手工调参的PID/MPC为主，决策时延达秒级；2019年后引入博弈优化和强化学习，实现社交交互；2023年进入VLA大模型时代，时延降至50ms以下，控制精度达厘米级。中国厂商（如小鹏、华为、比亚迪）从跟随到全球领跑，推动技术从“被动执行”向“主动社交”跃迁，预计2030年全域社交级控
摘要： 2015-2025年，行为预测技术从手工社会力模型（3-5秒/米级误差）演进至VLA端到端自进化时代（30秒+/<10cm误差），实现从规则驱动到语义智能的跃迁。中国车企（小鹏、华为、比亚迪等）主导关键突破：2017年引入RNN社交交互，2021年融合博弈论实现超车预测，2023年VLA大模型实现意图级预测，2025年量子增强技术实现全场景零干预。技术指标十年提升10倍（时域从3秒→
摘要： 目标检测技术在2015-2025年间实现跨越式发展，从早期基于手工特征的两阶段R-CNN（mAP约40-50%）演进为多模态VLA大模型驱动的智能检测系统（mAP>98%）。中国科技企业（华为、小鹏等）从跟随者成长为全球领跑者，推动检测技术实现三大跃迁：1）检测范式从单/两阶段转向端到端统一架构；2）应用场景从静态图像扩展到动态意图理解；3）性能指标实现零样本全场景覆盖与毫秒级实时响
摘要： 2015至2025年，Occupancy技术从手工体素网格的实验室概念（米级精度、静态检测）演进为万亿级多模态VLA端到端4D动态感知系统（<5cm精度、10秒+预测）。中国从跟随nuScenes跃升至全球领跑，小鹏、华为、比亚迪等推动BEV→Transformer→VLA三阶段创新：2019年BEV实现实时开放词汇占用，2023年端到端4D动态Occupancy成熟，2025年VL
视觉语言模型十年演进摘要（2015–2025） 2015年视觉语言模型（VLM）始于手工特征对齐的VQA研究，2025年已发展为万亿级多模态VLA（视觉语言动作）系统，实现端到端感知-语言-动作闭环。中国从早期跟随CLIP/PaLM-E到领跑全球（华为盘古、阿里通义千问等），参数规模从百万级跃升至十万亿级，零样本泛化率从70%提升至99%以上。 演进三阶段： 2015–2018：双塔结构萌芽，聚焦
摘要： 2015–2025年，机器人算法经历了从规则控制到智能自进化的革命性跃迁。2015年以PID+ZMP平衡为主，仅支持实验室慢走；2017–2022年深度强化学习（RL）和万级并行仿真推动性能突破（12m/s奔跑、体操动作）；2023年后多模态VLA大模型实现意图级零样本交互，2025年量子鲁棒算法进一步实现16.8m/s高速运动与全域自愈。中国从跟随者跃升为领跑者，宇树、银河通用等企业主导
摘要： 2015-2025年智能驾驶决策规划实现三级跃迁：从规则状态机（2015）、博弈优化（2019）到VLA端到端自进化（2025）。中国厂商（小鹏/华为/比亚迪）主导技术革新，规划时延从秒级降至<50ms，预测时域延至30秒+，成功率超99.9%。核心突破包括游戏论社交博弈（2021）、VLA语义意图（2023）及量子不确定性补偿（2025），推动智驾从“轨迹执行”升级为“社交预测”。
摘要： 2015-2025年，多模态大语言模型（MLLM）从单模态孤岛跃升至万亿级具身智能系统。2015-2018年以VQA手工对齐为主，参数规模百万级；2019-2022年CLIP革命推动对比学习与融合预训练，实现零样本分类；2023-2025年进入VLA端到端自进化时代，华为、阿里等中国厂商主导十万亿级模型研发，零样本泛化率超99%，赋能智驾、机器人等实时多模态交互。中国从技术跟随者发展为全球
摘要： 2015至2025年，Agent技术经历了从单一规则脚本到通用智能伙伴的跨越式发展。早期Agent（2015-2018）依赖固定脚本和简单规划，任务单一；2019-2022年强化学习和大模型驱动使其具备多任务能力；2023-2025年多模态VLA（视觉语言动作）Agent实现意图级自进化与量子鲁棒协作，渗透率突破70%。中国从跟随到领跑，小鹏、华为、阿里等推出领先Agent方案，推动人类与
摘要： ZeRO（零冗余优化器）从2019年微软开源的内存优化技术，到2025年已发展为支持十万亿参数大模型训练的量子混合框架。十年间，其内存节省从70%提升至99.9%，训练效率增长超1000倍，渗透率达85%以上。中国从初期跟随（华为、DeepSeek）到主导量子ZeRO创新，推动AI从千亿瓶颈迈向实时普惠训练。关键节点包括2020年ZeRO-3支持千亿模型、2023年MoE融合、2025年量
地区空气质量数据分析系统是一个基于大数据和深度学习的智能空气质量监测与预测平台。系统采用Apache Spark进行高效的大规模数据预处理，利用TensorFlow构建LSTM深度学习模型实现精准的AQI预测，通过Flask框架提供RESTful API服务，结合Bootstrap和ECharts打造直观的可视化界面。系统采用前后端分离架构，包含用户端和管理端两大模块，用户端面向公众提供实时空气质
摘要： 2015-2025年间，LSTM从序列建模的巅峰技术（机器翻译/语音识别主流）彻底退出历史舞台，被Transformer/VLA大模型取代。2015年LSTM主导长序列处理，2017年引入注意力机制，2019年Transformer崛起，2021年预训练模型革命彻底淘汰LSTM。2023年后，多模态大模型（如GPT-4V）实现毫秒级全域动态意图理解，LSTM仅作为思想融入现代架构。中国厂商
LSTM 作为 RNN 的 “进化版”，通过遗忘门、输入门等结构，解决了长序列记忆的难题，在 NLP、时间序列等领域大显身手。但它也不是完美的，计算复杂度比 RNN 高，训练起来更费时间和算力，就像学霸虽然成绩好，但也得花更多时间学习不是😉如果你也对序列数据处理感兴趣，不妨动手试试LSTM吧！说不定你也能用它创造出一些有趣的应用呢！🎁： 下期预告：《GRU：我比LSTM少1个门，但得更快！》?
序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。
序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。输入序列清华大学座落于首都北京输出标注BIIIOOOOOBI如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输
把LSTM网络从tensorflow迁移到mindspore，训练时显示“Get infer functions failed, the operator is not support dynamic shape yet, primitive name:LSTMGrad primitive type:Primitive”MindSpore目前暂时还不支持LSTM算子的动态shape，可尝试将输入变
序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。以命名实体识别为例：如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输入的单词预测其标签，最后根据标签来识别实
实现CRF需要定义两个东西：发射概率和转移概率。发射概率就是模型认为一个词对应某个标签的概率，而转移概率则是从一个标签转移到另一个标签的概率。通过计算整个序列的得分，并比较所有可能的标签序列，CRF能够找出最可能的标签序列。最后通过模型进行预编译和训练500个step,最后进行预测和后处理,能转换回正常可读的标签形式。这次课程使用LSTM+CRF（长短期记忆网络+条件随机场）进行序列标注。首先使用
不同的是在解码时同时需要将第𝑖𝑖个Token对应的score取值最大的标签保存，供后续使用Viterbi算法求解最优预测序列使用。根据CRF模型，计算给定输入序列和标签序列的得分。：指的是给定输入序列，给序列中每个Token进行标注标签的过程。对序列进行标注，实际上是对序列中每个Token进行标签预测，可以直接视作简单的多分类问题。而CRF是一种用于序列标注的判别式概率模型，它能够考虑整个序列
序列标注是自然语言处理中的一项任务，它涉及到对输入序列中的每个元素（Token）进行分类标注。常见的序列标注任务包括分词、词性标注和命名实体识别（NER）。例如，在NER中，模型需要识别文本中的地名、人名等实体。CRF通过以下公式定义序列y在给定输入序列x下的概率：其中，Score函数计算序列x和y的得分，包括发射概率和转移概率的贡献。
从今天开始就是学习自然语言处理领域的几个实战案例。今天学习的内容是基于LSTM+CRF来实现序列标注。序列标注任务概述条件随机场(CRF)的基本原理基于LSTM+CRF实现序列标注的主要代码序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体
首先根据公式 (3)计算正确标签序列所对应的得分，这里需要注意，除了转移概率矩阵 𝐏外，还需要维护两个大小为 |𝑇|的向量，分别作为序列开始和结束时的转移概率。考虑到输入序列可能存在Padding的情况，CRF的输入需要考虑输入序列的真实长度，因此除发射矩阵和标签外，加入seq_length参数传入序列Padding前的长度，并实现生成mask矩阵的sequence_mask方法。,𝑦𝑛}
本文介绍了如何使用长短期记忆网络（LSTM）和条件随机场（CRF）进行序列标注任务。通过结合LSTM的序列特征提取和CRF的标签依赖建模，构建了一个完整的命名实体识别模型。教程详细解释了模型架构、数据准备、训练过程，并提供了完整的代码实现和结果评估方法。
序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输入的单词预测其标签，最后根据标签来识别实体。
¶序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。输入序列清华大学座落于首都北京输出标注BIIIOOOOOBI如上表所示，清华大学和北京是地名，需要将其识别，我们对每个
序列标注是为输入序列中的每个Token分配标签的过程，广泛应用于信息抽取任务。这些任务包括分词、词性标注和命名实体识别（NER）。例如，在NER中，输入序列可能是“清华大学在北京”，输出序列为标签，其中“清华大学”与“北京”都是地名。
lstm
——lstm
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
深开鸿 技术专区
2048 AI社区
DAMO开发者矩阵
人工智能6S服务平台
松山湖开发者村综合服务平台
九章云极普惠算力
鲲鹏昇腾开发者社区
