RNN与LSTM学习笔记

这篇学习笔记详细介绍了RNN和LSTM的工作原理。RNN因其在处理序列数据时的特性而受到关注,但也存在梯度消失和遗忘问题。LSTM通过细胞状态解决了长期依赖问题,能更好地保留信息。笔记涵盖了RNN的前向传导和反向传播,以及LSTM的基本结构和优势。

学习笔记:RNN与LSTM

  记录一下学习进度吧。

RNN

  Recurrent Neural Network偏重于数据时序上的处理,是一个链式的结构。由于RNN中存在时间上的信息,就可以根据之前出现的信息对当前的信息进行推断,链式的特征揭示了 RNN 本质上是与序列和列表相关的。他们是对于这类数据的最自然的神经网络架构。这可能就是它最大的优势吧。
  但是类似于梯度衰减和梯度爆炸,但信息相隔时间过晚,会存在信息遗忘的情况,无法体现优势。
RNN展开结构

RNN前向传导公式示意

st=tanh(Uxt+Wst1) s t = t a n h ( U x t + W s t − 1 )

ot=sof
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