李宏毅机器学习:RNN(下)

本文探讨了RNN在学习过程中的loss function定义,以及训练难点——gradient vanishing和exploding。介绍了BPTT算法在RNN训练中的应用,并指出RNN错误表面的不稳定性。通过对比sigmoid和ReLU激活函数,分析了RNN的问题根源。LSTM通过改变memory的更新方式解决了部分gradient vanishing问题,而GRU通过联动input gate和forget gate提供另一种解决方案。此外,还提到了其他如clockwise RNN和SCRN的优化技巧,以及特定初始化方法对ReLU效果的影响。

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

RNN的Learning

RNN在Learning时如何定义loss function呢?以slot filling 为例,对每个输入xi, 其输出的

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