TensorFlow +OpenVINO 整合开发CR-A12-鉴往知来- RNN(循环神经网路)

目录目录1.时间序列数据与RNN8.范例实现11介绍时间序列资料(数据)赖的。格、对话等时间序列数据。以学校宿舍餐厅为例•学校宿舍每天晚上都会供应晚餐。期一到星期五不断地循环。果昨天吃寿司，今天就会是松饼，非常有规律。如下图：•每天晚餐都從3種餐點中，選取其一來提供給學生們。•CRM回答：今天餐廳沒開張，經理還沒輸入，還不知道呀。很”正確”•NLP回答：今天餐廳沒開張，還沒有正確答案其規律性，如下圖：•所以，我猜今天晚餐很可能會提供壽司餐點。想一想…点了。天、后天的晚餐，等等。想一想…f各种不同形式的RNN各种不同形式的RNN输出预测值(t-5)餐点(t-4)餐点t点复复习：22以二进位加法是为例以二进位加法是为例(0以二进位加法是为例(011进位11进位111以二进位加法是为例000以二进位加法是为例0w[0,0]t0]w[0,0]t[0,0][0,0][0,0]t[0,0]t[0,0]t[0,[0,0]w[0,0]t[0,0]t[0,[0,0]w[0,[0,0]w[[0,0]t[0,[0,0]w[[0,0]t输入值(输入值(X)以二进位加法是为例[0,0]t33以二进位加法是为例00z00z11z21 w z00z11z21w44=1 =1 000101www=1 =1 000101ww=1=1 =1=1 000101w=1=1 =1=1 000101ww 000.210.151www 000.210.151www 000.210.151w 000.210.151www 000.310.251www[0,0]t输入值(X)[0,0]t输入值(X)目标值(T)以二进位加法是为例T)输入值(X)5555.1理解和解释人类的语音和文句，更善解人意。将Text分解成Sentences：此程式输出：此程式诞生一个档案：档案的内容：3.将Sentence分解出Words：此程式输出：4.将Text里的各Word出现频率，计算出来：此程式输出：Word换出向量(Word2Vec)：•BERT可以很好的解决sentence-level的建模问下：55.2•医疗资料挖掘发展迅速，然而过去许多医疗数据(如•由于自然人的学习能力有限，因此通过NLP来辅助病、细胞、药物的名称等。进行识别就变得尤为重要。息提取或文本分类等的先决条件。55.3NamedEntities即Words)出现频率，以及向量，做为AI模型的X空间资料。模行了：智慧。X：Y：•一个做因果性思考，另一个做果因性思考。•常常可以帮助人类更多。55.4XYXWW&BYXWW&BYYYXX状态(t-2)(t-2)t上述模型背后的Assumption：•果：各器官因输血而受到影响。•来改善因，就能改变果。于是，人机共舞模式是：•能提出风险预警，来帮助人类。•真正的因，然后改善因，来改变果。•不一定是真正的<因果性>。改善的途径之一是：•的果因性智慧。•心脏机能萎缩之因，就能更确定患者心悸，•主要是源于输血之因。•推论。•模型的输入值代表AI可以观察到的果。•推理了。可参阅：如果缩小上述模的范围：※新的Assumption：•心悸、关节痛、疲倦、体重消失等。•来改善因，就能改变果。练习一下：•的果因性智慧。X：Y：模型-166以血铁沉积为例伤害，尤其是心脏与肝脏，甚至可能造成生命的危险。初初期值412412412210210412320320320此模型的输入值与目标值T)输入值(X)7788延续上一小节的血铁沉积RNN范例延续上一小节的血铁沉积RNN范例yyyywyy h1wyywyy yy h1 h1w撰写Python代码•撰写基本函数汇出*.pb档案输出结果：输出结果：99优化模型：使用ModelOptimizer行优化动作。•优化完成，会输出IR档案。区Windows行窗口出发：vinodeploymenttoolsmodeloptimizerModelOptimizer工作区了：1输入命令，优化rnn_model.pb这指示：读取*.pb档案是--C:\\pb\\rnn_mode