RNN循环神经网络(AI写唐诗)

本书涵盖了循环神经网络（RNN）及其变种的原理和应用。首先介绍了RNN的数学表达式，随后展示了RNN在手写数字识别中的应用以及拼接操作。接着，书中详细解释了长短时记忆网络（LSTM）的原理，包括其数学表达和在手写数字识别中的应用，并介绍了双向LSTM和门控循环单元（GRU）。书中还探讨了RNN中应用的拓扑结构。 在应用部分，书中介绍了如何利用AI写唐诗，包括数据预处理、RNN网络结构设计、训练模型、调用模型及查看结果的全过程。这些内容全面覆盖了RNN及其变种的理论基础和实际应用，为读者提供了深入理解和实践的指南。

DeepAR代码详析（pytorch版）实现用电量预测

本书详细解析了使用PyTorch实现的DeepAR模型用于用电量预测的代码。首先介绍了数据集的内容和结构。接着，展示了数据预处理代码，包括数据清洗、归一化和特征工程等步骤。在构造模型部分，详细解释了模型架构和各个组件的实现方法。Loss函数部分介绍了用于模型训练的损失函数的定义。评估指标相关章节讲解了评估模型性能的各类指标。utils工具类章节提供了一些辅助函数和工具类代码。最后，训练模型部分详述了训练流程和模型优化的方法，帮助读者掌握用DeepAR进行用电量预测的全过程。

使用DeepAR实现股价预测

这篇文章介绍了使用DeepAR实现股价预测的步骤。首先，获取股票列表并从中采样100支股票。然后，处理日期信息，拉取等长度的股票数据并保存。解释各指标，并确定预测区间长度及上下文选取。将78支股票按行业归类，处理目标变量和协变量，并对协变量进行归一化操作。 接着，将数据划分为训练和测试集，训练DeepAR模型并进行预测。最后，评估模型效果，查看预测结果，并通过绘图展示结果。通过这些步骤，全面展示了使用DeepAR进行股价预测的方法。