闭式连续时间神经网络 (CfC) 是功能强大的顺序神经信息处理单元。
纸质开放获取:https://www.nature.com/articles/s42256-022-00556-7
阿尔克西夫:https://arxiv.org/abs/2106.13898
tf_cfc.pyCfC(各种版本)在Tensorflow 2.x中的实现
torch_cfc.py在 PyTorch 中实现 CfC(各种版本)
train_physio.py在 PyTorch 中的 Physionet 2012 数据集上训练 CfC 模型(代码改编自 Rubanova 等人,2019 年)
train_xor.py在 Tensorflow 中的 XOR 数据集上训练 CfC 模型(代码改编自 Lechner & Hasani,2020 年)
train_imdb.py在 Tensorflow 中的 IMDB 数据集上训练 CfC 模型(代码改编自 Keras 示例网站)
train_walker.py在 Tensorflow 中的 Walker2d 数据集上训练 CfC 模型(代码改编自 Lechner & Hasani,2020 年)
irregular_sampled_datasets.py来自莱希纳和哈萨尼的数据集(相同的拆分)(2020)
duv_physionet.py和来自Rubanova等人的Physionet数据集(相同拆分)(2019)
duv_utils.py
除以下三个标志之外的所有训练脚本
no_gate在没有 (1 西格) 部件的情况下运行 CfC
minimal运行 CfC 直接解决方案
use_ltc使用半隐式 ODE 求解器而不是 CfC 运行 LTC
use_mixed将 CfC 的 RNN 状态与 LSTM 混合,以避免梯度消失
如果未提供这些标志,则使用完整的 CfC 模型
例如
python3 train_physio.py
在 Physionet 数据集上训练完整的 CfC 模型。
同样地
train_walker.py --minimal
在 walker2d 数据集上运行直接 CfC 解决方案。
要下载Lechner & Hasani 2020的Walker2d数据集,请运行
source download_dataset.sh
title = {Closed-form continuous-time neural networks},
journal = {Nature Machine Intelligence},
author = {Hasani, Ramin and Lechner, Mathias and Amini, Alexander and Liebenwein, Lucas and Ray, Aaron and Tschaikowski, Max and Teschl, Gerald and Rus, Daniela},
issn = {2522-5839},
month = nov,
year = {2022},
}