本文介绍了回归神经网络（RNN），一种擅长处理序列数据的网络。RNN通过循环神经元存储先前输入状态，以理解连续输入之间的关系。讨论了RNN在情绪分析、图像字幕和语言翻译等任务中的应用，以及反向传播在RNN中的工作原理。还提到了RNN在处理长期依赖时的消失梯度问题，并介绍了LSTM和GRU作为解决方案。
介绍
让我打开这篇文章，提出一个问题 - “工作中爱我们深入学习”，这对你有意义吗？不是真的 - 读这篇文章 - “我们喜欢深度学习”。完美感！这句话中的一点混乱使句子语无伦次。那么，我们能期望神经网络能够理解它吗？并不是的！如果人类大脑对它的含义感到困惑，我相信神经网络将很难解读这样的文本。
在日常生活中有多个这样的任务，当他们的序列受到干扰时会完全被打乱。例如，我们之前看到的语言 - 单词序列定义了它们的含义，时间序列数据 - 时间定义事件的发生，基因组序列的数据 - 每个序列具有不同的含义。存在多种这样的情况，其中信息序列确定事件本身。如果我们试图将这些数据用于任何合理的输出，我们需要一个能够访问一些关于数据的先验知识的网络来完全理解它。因此，循环神经网络发挥作用。
目录
- 需要处理序列的神经网络
- 什么是递归神经网络（RNN）？
- 详细了解复发神经元
- Excel中复发神经元的前向传播
- RNN中的反向传播（BPTT）
- 在Keras实施RNN <
订阅专栏 解锁全文
扫一扫
8万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
