本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：CNN和LSTM是深度学习中处理图像和序列数据的关键模型。本文将介绍这两种网络的原理和如何将它们结合应用，特别是在MATLAB环境中的实现。CNN擅长图像特征提取，而LSTM擅长处理序列数据和长期依赖性。结合CNN与LSTM形成时空卷积网络（STCN），适用于视频分析和动作识别等任务。本篇将详细说明在MATLAB中构建这种模型的步骤，并提供源代码供参考。
CNN和LSTM的结合应用、MATLAB源代码

1. CNN的原理与实现

1.1 CNN的基本概念

卷积神经网络（Convolutional Neural Networks, CNNs）是一种深度学习架构，专门用于处理具有网格结构的数据，如图像。CNN通过其特有的卷积层、池化层和全连接层的组合，在图像识别、分类等任务中取得了卓越的性能。其关键优势在于能够自动学习数据的层级特征，从底层边缘检测到高层的抽象特征，无需人工设计特征提取器。

1.2 CNN的层次结构

一个典型的CNN模型由以下层次结构组成：

  • 输入层：原始数据的输入层，例如，图像的像素值。
  • 卷积层：通过滤波器（卷积核）提取数据的局部特征，参数共享是其关键特征之一。
  • 激活层：如ReLU函数，为网络引入非线性，增强模型的表达能力。
  • 池化层：减少数据的空间尺寸，降低参数数量和计算量，同时也降低过拟合。
  • 全连接层：将学习到的特征映射到样本标记空间，进行分类或回归。
  • 输出层：输出最终的预测结果。

通过这些层次的组合，CNN能够在不同抽象级别上捕捉数据的特征，并给出预测结果。

2. LSTM的原理与实现

2.1 LSTM网络结构剖析

2.1.1 LSTM单元的工作原理

LSTM（Long Short-Term Memory）是一种特殊的RNN（Recurrent Neural Network）架构，由Hochreiter和Schmidhuber在1997年提出。LSTM的核心是其能够解决传统RNN在长序列数据上训练时遇到的梯度消失或梯度爆炸问题。LSTM的每一单元包含三个主要的门结构：遗忘门（Forget Gate）、输入门（Input Gate）和输出门（Output Gate），以及一个单元状态（Cell State）。

  • 遗忘门 负责决定哪些信息需要从单元状态中丢弃。遗忘门的输出是一个介于0到1之间的值，其中0表示完全遗忘，1表示完全保留。
  • 输入门 决定哪些新输入信息会被更新到单元状态上。它分为两部分：一个是利用sigmoid函数生成一个更新值，另一个是使用tanh函数创建一个新的候选值向量。
  • 单元状态 用于携带序列的长期状态信息。信息被添加到单元状态中之前，遗忘门和输入门会共同作用，先将不再需要的信息丢弃，然后将新信息添加到状态中。
  • 输出门 决定单元状态中哪些信息会被输出。输出值是通过tanh函数处理后的单元状态与sigmoid函数处理后的输出门的输出的点积结果。

这些门的结构设计，使得LSTM能够有效地在长距离依赖上学习序列数据，提高了网络对于时间序列信息的处理能力。

2.1.2 不同变体的LSTM网络介绍

自从标准的LSTM结构提出后，许多研究者对LSTM进行了改进，形成了多种变体，这些变体在特定的应用场景下表现出了更优的性能。

  • Peephole LSTM ：在传统的LSTM中增加了一个“Peephole Connection”，允许门结构访问到单元状态的信息，这有助于门结构做出更为精确的决策。
  • Coupled Input and Forget Gate LSTM (CIFG) ：简化了标准LSTM的门结构，将输入门和遗忘门合并为一个门，减少模型的复杂度和计算成本。
  • Gated Recurrent Unit (GRU) ：是LSTM的一个简化版本，只包含两个门：重置门（Reset Gate）和更新门（Update Gate），这种结构减少了模型参数的数量，提升了运算效率。

这些变体的引入，无疑增加了LSTM模型的多样性，也为研究者和工程师在不同问题上提供了更多的选择。

2.2 LSTM在序列数据上的应用

2.2.1 时间序列预测

在时间序列预测任务中，LSTM由于其能够捕捉时间上的依赖关系和长期的动态特性，而被广泛应用于股票价格预测、天气预测、交通流量预测等领域。LSTM通过其内部状态的机制，能够处理和记忆历史数据中的关键信息，从而在给出未来预测时，能够考虑到历史趋势。

以股票价格预测为例，LSTM模型可以被训练来识别股票价格的历史模式，并通过这些模式推断未来的股票价格变化。LSTM模型在这样的任务中尤其有效，因为它可以学习长期依赖关系，这是传统机器学习模型难以捕捉的。

2.2.2 自然语言处理中的应用实例

LSTM在自然语言处理（NLP）中的应用同样十分广泛，特别是在机器翻译、情感分析、语音识别等领域。LSTM模型能够处理变长的输入序列，并且保持与句子中单词顺序相关的信息，这对于理解句子的语义至关重要。

例如，在机器翻译任务中，源语言的句子需要转换为目标语言的等价表达。LSTM能够在读取源语言句子时，捕捉句子中的语法规则和语义信息，并在翻译时保持这些信息。这使得基于LSTM的翻译模型能够产生更准确和流畅的翻译结果。

LSTM在序列数据处理中的强大能力，使其成为许多复杂任务不可或缺的一部分，并继续在深度学习领域发挥着重要作用。

3. CNN与LSTM的结合优势

卷积神经网络（CNN）和长短时记忆网络（LSTM）是深度学习领域的两个重要概念，它们分别在图像处理和序列数据处理上展现出卓越的性能。当CNN与LSTM结合时，这种混合模型能够同时捕捉到空间和时间上的特征，展现出独特的优点。

3.1 结合CNN和LSTM的必要性

3.1.1 卷积神经网络的特点

CNN主要被设计用来处理具有网格状拓扑结构的数据，如图像。其主要特点包括：

  • 局部连接 ：CNN的每个神经元只需要和前一层的部分神经元连接，这减少了网络的参数数量，使得模型更易训练。
  • 权值共享 ：CNN在卷积层使用相同的权重进行特征提取，这不仅减少了模型的复杂度，还有助于减少过拟合现象。
  • 池化操作 ：通过下采样，池化层可以提取图像的主要特征，同时减少数据的维度，提高运算效率。

3.1.2 长短时记忆网络的优势

LSTM作为循环神经网络（RNN）的一种改进形式，它通过特殊的门控制机制解决了传统RNN在长序列学习时的梯度消失或爆炸问题。LSTM的核心优势包括：

  • 长距离依赖 ：LSTM通过门机制（遗忘门、输入门和输出门）有效地控制信息的流动，能够学习序列数据中的长期依赖关系。
  • 状态更新 ：LSTM维护了一个内部状态，可以捕获序列数据中的动态特征。

3.1.3 结合CNN和LSTM的互补优势

当CNN与LSTM结合时，它们各自的特点可以互补。CNN擅长于提取空间特征，而LSTM擅长于处理序列数据。结合两者的优势，可以在处理时空数据时获得更丰富的特征表示。例如，在视频分析任务中，CNN可以识别每个帧中的视觉对象，而LSTM则可以捕捉到这些对象随时间变化的动态信息。

3.2 结合CNN和LSTM的应用案例

3.2.1 视频分类任务

视频分类是理解视频内容的重要步骤。传统的视频分类方法通常需要手工设计特征，如光流特征等，这种方法不仅耗时耗力，而且提取到的特征通常比较浅。而CNN与LSTM结合的模型能够自动从视频帧序列中学习到复杂和抽象的时空特征。

  • 模型架构 ：在视频分类任务中，通常先将视频帧通过CNN提取特征，然后将提取的特征序列送入LSTM网络中进行序列学习。
  • 性能优势 ：CNN能够有效地从帧图像中提取时空特征，而LSTM则能够处理这些特征随时间的动态变化，最终结合这两种模型的视频分类系统比单独使用任一模型都表现出更高的分类准确率。

3.2.2 图像描述生成

图像描述生成，也被称为图像字幕生成，是一个将图像内容转换为自然语言描述的过程。这项任务涉及对图像的理解和语言的生成，是一种典型的视觉到语言的跨模态任务。

  • 模型流程 ：先使用CNN从图像中提取视觉特征，然后将这些特征通过LSTM进行序列化处理，最终利用语言模型生成图像的描述文本。
  • 挑战与对策 ：这个任务的挑战在于保证生成的描述不仅能够准确反映图像内容，还要符合自然语言的语法和语义。这需要在训练过程中结合大量的图像-描述对，以及优化模型的语言生成能力。

结合CNN和LSTM的方法已经在很多相关任务中取得了突破性的进展。下一章节，我们将更深入地了解时空卷积网络（STCN）的概念及其在实际中的应用。

4. 时空卷积网络（STCN）概念

4.1 STCN的工作原理

时空卷积网络（STCN）是深度学习领域中处理时空数据的一种模型。它将卷积神经网络（CNN）在空间维度上的处理能力和长短时记忆网络（LSTM）在时间维度上的序列处理能力结合起来，为处理视频、监控数据和各种时空数据序列提供了强大的工具。

4.1.1 时空数据的处理

时空数据是跨越时间和空间维度的数据。这类数据的特点是具有空间关系和时间序列双重特性。例如，在视频分析任务中，每一帧图像都具有空间特征，而连续帧之间的变化则体现了时间序列特性。STCN通过卷积操作处理空间信息，通过循环层处理时间信息。

4.1.2 STCN的结构及其作用

STCN的核心结构通常包括卷积层和循环层。卷积层通过卷积核提取局部空间特征，循环层则通过LSTM或GRU单元处理时间序列信息。这样的结构能够同时捕捉视频帧内的空间特征和帧之间的时序特征。

4.2 STCN在实际中的应用

STCN因其独特的结构在多个领域显示出了显著的应用效果，尤其是在需要同时考虑时间和空间关系的任务中。

4.2.1 交通流量预测

在交通流量预测方面，STCN能够利用其时空处理能力，从过去的交通录像中学习交通流量的模式，并预测未来的流量变化。这对于智能交通系统和城市规划来说至关重要。

4.2.2 动作识别任务

另一个应用实例是动作识别。在视频中识别和分类人类行为需要同时理解图像中的空间布局和随时间变化的行为动作。STCN能够有效整合时空信息，从而实现精确的动作识别。

4.3 STCN的模型结构示例代码

from keras.layers import Conv3D, LSTM
from keras.models import Sequential

# 创建STCN模型
model = Sequential()

# 添加时空卷积层
model.add(Conv3D(filters=32, kernel_size=(3, 3, 3), activation='relu', input_shape=(timesteps, height, width, channels)))

# 添加LSTM层处理时序信息
model.add(LSTM(100, activation='relu'))

# 添加全连接层和输出层
model.add(Dense(1, activation='sigmoid'))

# 模型编译
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 打印模型结构
model.summary()

参数说明和逻辑分析

在上述代码中，首先导入了构建STCN所需的层，即 Conv3D 用于时空卷积操作， LSTM 用于处理序列信息。 Sequential 用于创建一个线性堆叠的模型结构。

  • Conv3D 参数 filters=32 指定了卷积核数量， kernel_size=(3, 3, 3) 定义了三维卷积核大小， input_shape 则是输入数据的形状，其中 timesteps 代表时间步长， height 和 width 代表空间维度的大小， channels 代表通道数。
  • LSTM 的输出维度为100，使用了 relu 作为激活函数，而输出层使用了 sigmoid 激活函数，因为动作识别任务通常是一个二分类问题。

模型的编译使用了 adam 优化器和 binary_crossentropy 损失函数，适合二分类任务。通过 summary 方法输出模型结构，可以方便检查各个层的输出维度和参数数量。

4.4 STCN与其他模型比较

为了理解STCN的优势，我们可以通过比较STCN与其他模型的结构和性能来进一步明确其特点。例如，在动作识别任务中，3D CNN和两流网络（Two-Stream Networks）都是常见的模型。3D CNN能够同时提取空间特征和时序特征，但是它通常没有LSTM那样的长期依赖捕捉能力。两流网络通过空间流和时间流分别处理空间和时间信息，但可能不如STCN那样紧密集成。

4.5 STCN的优缺点分析

STCN的优点是能够有效结合空间信息和时间信息，这使得它在需要同时分析这两个维度的任务中表现出色。此外，STCN可以利用深度学习框架，如Keras或TensorFlow，轻松实现并集成到现有的深度学习工作流中。

然而，STCN的缺点在于其模型复杂度和参数量通常比较大，这导致训练数据需求增加，训练过程耗时较长。同时，对于某些特定任务来说，如果时间维度上的信息不是特别关键，STCN可能就显得过于复杂和计算量大。此外，与专门设计的模型相比，STCN可能在特定任务上的性能优化空间有限。

5. MATLAB中实现CNN和LSTM的方法

5.1 MATLAB工具箱介绍

5.1.1 深度学习工具箱的功能

MATLAB的深度学习工具箱提供了一系列函数和应用，用于设计、训练、可视化以及加速深度学习网络。它支持各种类型的深度学习架构，包括卷积神经网络(CNNs)、递归神经网络(RNNs)、LSTM网络以及长短期记忆网络。工具箱还提供了预训练模型，这些模型可以用于迁移学习、图像识别、对象检测、语音识别等任务。

5.1.2 相关函数和接口的使用方法

MATLAB提供了众多函数，可以用来创建、训练和验证深度学习模型。例如， trainNetwork 函数用于训练网络， predict 函数用于对输入数据进行预测， activations 函数用于获取网络中的激活。另外，MATLAB还提供了一些高级接口，例如Deep Network Designer应用，这是一个交互式界面，用于拖拽式构建、编辑和分析深度网络。为了更高效地利用计算资源，MATLAB支持使用GPU加速深度学习计算。

5.2 构建CNN和LSTM模型

5.2.1 环境配置和准备工作

在开始构建模型之前，首先需要确保MATLAB环境已经安装了深度学习工具箱。可以通过以下MATLAB命令来检查当前安装的工具箱：

ver

然后配置GPU加速选项（如果可用），以加快训练过程：

if canUseGPU
    gpuDevice();
end

为了方便后续的数据加载和模型训练，设置随机数种子保证每次运行代码结果的一致性：

rng(0);

5.2.2 模型架构设计与搭建

在MATLAB中构建CNN和LSTM的混合模型通常需要分为两个主要部分，首先搭建卷积神经网络用于特征提取，然后搭建LSTM网络用于序列数据的处理。

layersCNN = [
    imageInputLayer([28 28 1]) % 以MNIST数据集为例，输入图像是28x28的灰度图
    convolution2dLayer(5, 20, 'Padding', 'same') % 使用5x5的卷积核，20个输出通道
    reluLayer()
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(10)
    softmaxLayer()
    classificationLayer()
];

options = trainingOptions('sgdm', ...
    'MaxEpochs', 10, ...
    'InitialLearnRate', 0.01, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

netCNN = trainNetwork(trainingImages, trainingLabels, layersCNN, options);

在上述代码中，我们首先定义了一个简单的CNN结构用于分类MNIST数据集的图像。然后使用 trainNetwork 函数，该函数根据提供的 trainingOptions 参数进行网络训练。

对于LSTM部分，可以按照以下方式定义LSTM层：

layersLSTM = [
    sequenceInputLayer(100)
    lstmLayer(100, 'OutputMode', 'sequence')
    fullyConnectedLayer(9)
    softmaxLayer()
    classificationLayer()
];

optionsLSTM = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'InitialLearnRate', 0.005, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

netLSTM = trainNetwork(trainingSequences, trainingLabels, layersLSTM, optionsLSTM);

将CNN和LSTM模型结合时，需要从CNN中提取特征并作为序列数据传递给LSTM模型进行处理。因此，模型间的连接和数据传输需要特别设计，这将在第六章中详细介绍。

6. CNN与LSTM的模型构建与集成

6.1 数据预处理步骤

6.1.1 数据清洗与标准化

在构建深度学习模型之前，数据预处理是一个必不可少的步骤，其目的是确保输入数据的质量和一致性，从而提高模型训练的效率和准确性。数据清洗涉及识别并纠正数据中的错误和异常值，确保数据的准确性和可靠性。标准化则是将数据特征的范围缩放到统一的尺度，如将所有数据特征缩放到0到1之间，这有助于加快模型训练的收敛速度。

一个典型的数据清洗和标准化的流程包括以下几个步骤：

  1. 识别和删除重复记录 ：确保数据集中的每条记录都是唯一的。
  2. 处理缺失值 ：根据缺失值的性质和缺失情况，采用填充（如使用均值、中位数等）或者删除缺失数据的方法。
  3. 异常值处理 ：检测并处理异常值，可以通过统计方法（如Z分数、IQR等）来识别异常值。
  4. 数据转换 ：如对类别数据进行编码，将文本标签转换为数值型。
  5. 特征缩放 ：对数值型特征进行标准化或归一化处理，常用的方法包括最小-最大标准化和Z分数标准化。

6.1.2 数据增强技术

数据增强是一种有效扩大训练集的方法，通过对原始数据施加一系列的变换来生成新的数据样本。对于图像数据，常见的数据增强技术包括：

  1. 旋转 ：图像在一定角度内的旋转。
  2. 缩放 ：图像的放大或缩小。
  3. 平移 ：图像在水平或垂直方向上的移动。
  4. 翻转 ：图像的左右或上下翻转。
  5. 裁剪 ：从图像中随机裁剪出部分区域。
  6. 颜色变换 ：调整图像的亮度、对比度和饱和度。

对于序列数据，数据增强可以通过添加噪声、裁剪和缩放等方式进行。数据增强不仅可以增加模型的泛化能力，还能帮助模型抵抗数据中的小变化，提高模型在现实世界数据上的鲁棒性。

6.2 CNN模型构建流程

6.2.1 卷积层的参数设置

卷积神经网络（CNN）由多个卷积层、池化层、全连接层等组成。卷积层是CNN的核心组件，负责提取输入数据的特征。卷积层的参数设置主要包括滤波器（卷积核）大小、步长、填充以及输出通道数等。

  • 滤波器大小 ：通常选择3x3或5x5等较小的核尺寸，以捕捉局部特征。
  • 步长 ：控制滤波器移动的步幅，常用的步长为1或2。
  • 填充 ：为了保持输入和输出的维度一致，常常在输入数据的边界添加0填充。
  • 输出通道数 ：确定卷积层有多少个滤波器，也即输出特征图的深度。

6.2.2 激活函数和池化层的作用

激活函数的引入为网络引入了非线性，使得网络可以学习复杂的特征。常见的激活函数包括ReLU（Rectified Linear Unit）、Sigmoid、Tanh等。

  • ReLU函数 ：其形式为f(x) = max(0, x)，它将所有负值设置为0，只保留正值，具有计算效率高、减少梯度消失问题的特点。
  • Sigmoid函数 ：在-1到1之间输出，能够将输入映射到概率分布上。
  • Tanh函数 ：与Sigmoid类似，但输出范围在-1到1之间，零中心化使其在某些场合下优于Sigmoid。

池化层（Pooling Layer）用于降低特征图的空间维度（宽和高），使得网络的计算量减少，同时保持了特征的不变性。常见的池化方法有最大池化（Max Pooling）和平均池化（Average Pooling）。

6.3 LSTM模型构建步骤

6.3.1 输入层与嵌入层的设计

在构建LSTM模型时，输入层的设计取决于数据的类型和结构。对于序列数据，输入层将数据组织成合适的形状，比如三维张量[batch_size, timesteps, features]。嵌入层通常用于处理类别数据，通过将类别标签转换为固定长度的稠密向量来改善模型对类别特征的处理能力。

6.3.2 LSTM层的搭建和参数调整

LSTM层是长短期记忆网络的核心，负责处理序列数据并捕捉时间上的依赖关系。在搭建LSTM层时，需要注意的参数包括：

  • 单元数 ：决定LSTM层中单元的数量，也就是网络的宽度。
  • 返回序列 ：决定LSTM层是仅返回最后一个时间步的输出，还是返回所有时间步的输出。
  • 状态保留 ：LSTM层可以配置是否返回其隐藏状态和单元状态。

在设计LSTM网络时，需要合理设置这些参数，并通过实验来调整，以达到最优的网络性能。

6.4 CNN与LSTM模型连接过程

6.4.1 层之间的连接方法

CNN与LSTM结合时，常常是CNN用来提取图像特征，LSTM则用来处理序列数据。两者的连接方式通常有以下几种：

  • 特征提取后连接 ：先用CNN提取图像特征，然后将这些特征作为序列输入到LSTM层。
  • 特征流式传输 ：在训练过程中，CNN持续地提取特征，这些特征实时地被输入到LSTM层。
  • 注意力机制 ：在CNN与LSTM之间加入注意力机制，以动态地关注图像特征中的重要部分。

6.4.2 传输数据的适配与转换

为了将CNN提取的图像特征传输给LSTM处理，需要对数据进行适配与转换。由于CNN输出的通常是高维度的特征图，而LSTM需要的输入是一维的序列数据，因此需要将特征图转换为LSTM可以接受的格式。这通常涉及到以下步骤：

  1. 展平 ：将特征图的二维表示转换为一维向量。
  2. 调整维度 ：确保转换后的数据维度与LSTM层的输入要求一致。
# 代码示例：假设已经通过CNN提取了图像特征，现在将其转换为LSTM层的输入格式
import tensorflow as tf

# 假设 CNN 输出的特征图
cnn_features = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]])

# 将特征图展平为一维向量
flattened_features = tf.reshape(cnn_features, [1, -1])

# 现在 flattened_features 可以作为LSTM层的输入

在代码中， tf.reshape 函数用于将CNN输出的特征图转换为一维向量，从而适配LSTM层的输入要求。这样的转换对于整个网络的集成至关重要，确保了数据能够正确地在网络中流动。

7. 模型训练及评估

在构建了复杂的深度学习模型之后，接下来的关键步骤就是模型的训练和评估。这将涉及到调整超参数、选择适合的损失函数和优化器，以及最后评估模型的性能来确保模型的有效性和泛化能力。

7.1 模型训练策略

7.1.1 训练参数的设置

在模型训练之前，需要设置一系列的训练参数，如学习率（learning rate）、批次大小（batch size）、迭代次数（epochs）等。这些参数对于训练过程和模型性能至关重要。

  • 学习率 ：决定了权重更新的幅度。学习率过高可能导致模型无法收敛，而学习率过低则会导致训练过程缓慢或陷入局部最优解。
  • 批次大小 ：指每次训练过程中输入模型的数据样本数量。较小的批次大小有助于模型更好地泛化，但会增加训练时间；较大的批次大小可加速训练，但可能需要更多的内存资源。
  • 迭代次数 ：指训练集中数据被用来训练模型的次数。增加迭代次数可以提供更多的学习机会，但过多的迭代可能会导致过拟合。
# 示例代码：设置训练参数
epochs = 50      # 迭代次数
batch_size = 32  # 批次大小
learning_rate = 0.001  # 学习率

7.1.2 损失函数与优化器的选择

损失函数用于衡量模型的预测值与实际值之间的差异，而优化器则负责调整模型权重以最小化损失函数。

  • 损失函数 ：常见的损失函数包括均方误差（MSE）用于回归问题，交叉熵损失（Cross-Entropy）用于分类问题。
  • 优化器 ：常用的优化器包括随机梯度下降（SGD）、Adam、RMSprop等。每种优化器都有其优势和适用场景。
# 示例代码：选择损失函数和优化器
from keras.optimizers import Adam

model.compile(optimizer=Adam(learning_rate=learning_rate),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

7.2 模型评估方法

7.2.1 交叉验证和模型泛化能力

为了更准确地评估模型的性能，通常采用交叉验证方法。它通过将数据集分成多个小部分并多次训练和验证模型来减少模型对特定数据集的依赖。

  • k折交叉验证 ：将数据集分成k个子集，每次选择一个子集作为验证集，其余作为训练集，重复k次，平均每次的性能指标作为最终评估结果。

7.2.2 性能指标的计算与分析

性能指标是评估模型优劣的重要依据，包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数等。

  • 准确率 ：正确预测的比例。
  • 精确率 ：预测为正的样本中实际为正的比例。
  • 召回率 ：实际为正的样本中被预测为正的比例。
  • F1分数 ：精确率和召回率的调和平均值。
from sklearn.metrics import classification_report

# 假设y_true为真实标签，y_pred为模型预测标签
print(classification_report(y_true, y_pred))

模型评估不仅仅是一个简单的步骤，它是确保模型能够成功解决实际问题的基石。通过细致地调整训练参数，选择合适的损失函数和优化器，以及采用科学的评估方法，可以显著提升模型的预测能力和泛化性能。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：CNN和LSTM是深度学习中处理图像和序列数据的关键模型。本文将介绍这两种网络的原理和如何将它们结合应用，特别是在MATLAB环境中的实现。CNN擅长图像特征提取，而LSTM擅长处理序列数据和长期依赖性。结合CNN与LSTM形成时空卷积网络（STCN），适用于视频分析和动作识别等任务。本篇将详细说明在MATLAB中构建这种模型的步骤，并提供源代码供参考。


本文还有配套的精品资源，点击获取
menu-r.4af5f7ec.gif

Logo
九章云极普惠算力

更多推荐

Kandinsky-5.0-I2V-Lite-5s惊艳效果展示：赛博朋克街景→霓虹闪烁+雨滴滑落动态视频

本文介绍了如何在星图GPU平台上自动化部署Kandinsky-5.0-I2V-Lite-5s镜像，实现高效图生视频转换。该工具能将静态赛博朋克街景图片快速转换为动态视频，添加霓虹闪烁、雨滴滑落等效果，适用于短视频制作、广告创意等场景，显著提升内容创作效率。

avatar 九章云极普惠算力
cover

看遍了市面上的coding plan，我发现还是这个好用

avatar 九章云极普惠算力
cover

阿里云 Coding Plan Lite 下架，各家算力吃紧，上哪买还能支持GLM-5和5.1的coding plan？_2026-04-15

avatar 九章云极普惠算力