Recurrent Neural Networks

本文探讨了传统神经网络在处理连续信息时的局限性,并介绍了循环神经网络(RNN)如何通过自身创建反馈回路来解决这一问题。RNN能够保存信息并在多个时间步长之间传递,适用于语音识别、语言模型、翻译及图像处理等领域。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

传统的神经网络不能进行连续的思考.想象一下你想对电影里每一个点发生的不同的事件进行分类.对于传统的神经网络来说是不能从过去的事情推断未来的事情.
RNN(Recurrent neural networks)解决了这个问题.RNN的神经元自己建立了一个自己的回路,使得信息可以保存.
这里写图片描述
在上图中 A 有一个输入xt和一个输出 ht 。一个RNN可以被想象成相同网络的多层拷贝.
这里写图片描述
RNN被应用于语音识别,语言模型,翻译,图像处理

参考文献:
Understanding LSTM Networks
The Unreasonable Effectiveness of Recurrent Neural Networks

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值