感谢您选择瑞茂光学XC3000系产品，瑞茂光学自2012年起为全球用户提供了高水平的微焦点X射线产品，10年来，感谢您们一直以来的支持！
基于您的AI流程及算法，我们说明如下。
瑞茂光学使用了基于PYTHON 的AI循环神经网络算法（RNN），在实际的点料任务中都非常成功。我们的算法有别其他的AI算法逻辑，在传统的神经网络中，可以理解所有输入和输出都是独立的。但是，对于许多任务，这是不合适的。如果要预测句子中的下一个单词，最好考虑一下它前面的单词。
RNN之所以称为循环，是因为它们对序列的每个元素执行相同的任务，并且输出取决于先前的计算。RNN的另一种解释：这些网络具有“记忆”，考虑了先前的信息。
例如，如果序列是5个单词的句子，则由5层组成，每个单词一层。
在RNN中定义计算的公式如下：
x_t-在时间步t输入。例如，x_1可以是与句子的第二个单词相对应的one-hot向量。s_t是步骤t中的隐藏状态。这是网络的“内存”。s_t作为函数取决于先前的状态和当前输入x_t：s_t = f（Ux_t + Ws_ {t-1}）。函数f通常是非线性的，例如tanh或ReLU。计算第一个隐藏状态所需的s _ {-1}通常初始化为零（零向量）。o_t-在步骤t退出。例如，如果我们要预测句子中的单词，则输出可能是字典中的概率向量。o_t = softmax（Vs_t）图像描述的生成，与卷积神经网络一起，RNN被用作模型的一部分，以生成未标记图像的描述。组合模型将生成的单词与图像中的特征相结合：
最常用的RNN类型是LSTM，它比RNN更好地捕获（存储）长期依赖关系。LSTM与RNN本质上相同，只是它们具有不同的计算隐藏状态的方式。
LSTM中的memory称为cells，您可以将其视为接受先前状态h_ {t-1}和当前输入参数x_t作为输入的黑盒。在内部，这些cells决定保存和删除哪些memory。然后，它们将先前的状态，当前memory和输入参数组合在一起。
再一次感谢您的理解和支持！