本文章主要从3个算法BP、LSTM、CNN-LSTM进行时间序列预测的讲解，主要案例是利用单特征电力负荷预测进行讲解。对比三个模型在用电负荷预测中的优越性。

1、准备数据训练自己的模型首先要有数据集，在我写的《paddleocr文本检测模型的训练》这篇文章的时候我已经提供了一份数据集，里面包含了文本检测和识别的数据集，由于那篇文章是文本检测的训练，所以只用到了文本检测的数据集，这里我用的是文本识别的数据集，有需要数据的可以去那篇文章里面找数据。文章链接。让我们来直观的感受一下数据集，数据集照片的图片如下所示：数据的标签如下图所示，就是每行的前面是图片的

本文主要从基础的角度讲解线性回归算法和梯度下降算法，力求用通俗的语言和简单的例子进行算法的讲解。

1、准备数据训练自己的模型首先要有数据集，在我写的《paddleocr文本检测模型的训练》这篇文章的时候我已经提供了一份数据集，里面包含了文本检测和识别的数据集，由于那篇文章是文本检测的训练，所以只用到了文本检测的数据集，这里我用的是文本识别的数据集，有需要数据的可以去那篇文章里面找数据。文章链接。让我们来直观的感受一下数据集，数据集照片的图片如下所示：数据的标签如下图所示，就是每行的前面是图片的

本文主要从基础的角度讲解线性回归算法和梯度下降算法，力求用通俗的语言和简单的例子进行算法的讲解。

主要讲解了全连接神经网络的算法原理和反向传播算法

前言手写字体识别模型LeNet5诞生于1994年，是最早的卷积神经网络之一。LeNet5通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点。卷积或池化输出图像尺寸的计算公式如下：O=输出图像的尺寸；I=输入图像的尺寸；K=池化或卷积层的核尺寸；S=移动步长；P=填充数1、net.pyimport

本文主要从基础的角度讲解线性回归算法和梯度下降算法，力求用通俗的语言和简单的例子进行算法的讲解。

文本从基础的角度对逻辑回归进行了一个讲解，手动推导了逻辑回归的梯度下降法

1 labelimg标注VOC格式和yolo格式介绍1.10 0.47416020671834624 0.4523809523809524 0.5968992248062015 0.6839826839826841 0.874031007751938 0.4069264069264069 0.1227390180878553 0.2727272727272727