深度学习各个网络层

todo

• 对fMRI的某一个ROI的时间序列做预测(需要先对数据做归一化处理)
  利用各种模型对AD和CN的fMRI数据实现分类
  先用CNN (Conv1D)
  再用RNN(LSTM)
  最后用CNN+RNN (Merge)
  考虑多模态(同一被试在ADNI数据集中有不同的模态成像,如fMRI,MRI,PET)

---

Flatten层的作用:将多维向量一维化,即将维度"压平"
flatten层多用在卷积层向全连接层过渡时
Batch Normalization:归一化训练数据,将原始数据减去均值再除以方差

---

https://blog.csdn.net/u011746554/article/details/74393922

数据输入到模型中后要进行归一化处理,否则分类效果很差
利用sklearn中的MinMaxScaler进行数据归一化

LSTM
LSTM的作用:能够进行时间序列的预测

LSTM层数不宜太多
当有好几层LSTM层的时候,前面几层的 return_sequences 要设置为True,否则不会连接到一起

输入数据的shape为(n_samples,timesteps,features)

---

https://github.com/osforscience/deep-learning-ocean#what-s-the-point-of-this-open-source-project
包含各种深度学习资源和论文