手动计算深度学习模型的参数个数往往被认为太过于琐碎，而且是在做无用功。因为你的代码已经可以为你做到这一点。但是我还是执意想写这篇文章，以便我们偶尔参考一下。下面是我们要用到的模型:
1. 前馈神经网络(FFNN)(https://towardsdatascience.com/counting-no-of-parameters-in-deep-learning-models-by-hand-8f1716241889#9fe4)
前馈神经网络是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。是目前应用最广泛、发展最迅速的之一。研究从开始，目前理论研究和实际应用达到了很高的水平。
2.递归神经网络(RNN)(https://towardsdatascience.com/counting-no-of-parameters-in-deep-learning-models-by-hand-8f1716241889#192e)
递归神经网络(RNN)是神经网络的一种。单纯的RNN因为无法处理随着递归，权重指数级爆炸或消失的问题( gradient problem)，难以捕捉长期时间关联&#x
点击上方关注，All in AI中国作者——Raimi Karim5个简单的例子教你在FFNN, RNN和CNN模型中计算参数个数。手动计算深度学习模型的参数个数往往被认为太过于琐碎，而且是在做无用功。因为你的代码已经可以为你做到这一点。但是我还是执意想写这篇文章，以便我们偶尔参考一下。下面是我们要用到的模型:1. 前馈神经网络(FFNN)(https://towardsdatascience.c...
提出了一种基于 Attention 机制的卷积神经网络(convolutional
neural network，CNN)-GRU (gated recurrent unit)短期电力负荷
预测方法，该方法将历史负荷数据作为输入，搭建由一维卷
积层和池化层等组成的 CNN 架构，提取反映负荷复杂动态变
化的高维特征；将所提特征向量构造为时间序列形式作为
GRU 网络的输入，建模学习特征内部动态变化规律，并引入
Attention 机制通过映射加权和学习
参数
矩阵赋予 GRU 隐含
[-0.058550 0.125846 -0.083195 0.031818 -0.183519…], —>’,’
[0.087197 -0.083435 0.057956 0.143120 -0.000068…], ---->‘的’
每一行都是一个词的向量，最后两行是随机生成的正态分布数据，对应下面的UNK和BLA...
本项目将演示如何从用户提供的快递单中，抽取姓名、电话、省、市、区、详细地址等内容，形成结构化信息。辅助物流行业从业者进行有效信息的提取，从而降低客户填单的成本。
此外，通过从快递单抽取信息这个任务，介绍序列化标注模型及其在 Paddle 的使用方式。
本项目基于PaddleNLP NER example的代码进行修改，主要包括“背景介绍”、“代码实践”、“进阶使用”、“概念解释”等四个部分。
主要介绍：
PaddleN
def frame(data, window_length, hop_length):
num_samples = data.shape[0]
num_frames = 1 + int(np.floor((num_samples - window_length) / hop_length))
shape = (num_frames, window_length) +
# Device configuration
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
先上结论：
output保存了最后一层，每个time step的输出h，如果是双向LSTM，每个time step的输出h = [h正向, h逆向] (同一个time step的正向和逆向的h连接起来)。
h_n保存了每一层，最后一个time step的输出h，如果是双向LSTM，单独保存前向和后向的最后一个time step的输出h。
c_n与h_n一致，只是它保存的是c的值。
详细请见连...
