循环神经网络

sir_TI

于 2019-07-12 15:47:55 发布

阅读量542

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Deep learning 文章标签：梯度爆炸与梯度消失 GRU

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/sir_TI/article/details/95625175

循环神经网络（RNN）旨在处理序列信息，但面临梯度消失和梯度爆炸的问题。GRU和LSTM作为改进的RNN结构，通过门控机制缓解这些问题。GRU具有更少的参数，适合训练数据有限的场景。Text-RNN和RCNN则是RNN在文本分类和句子理解中的应用变体。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

循环神经网络（`RNNs`）

1 `RNN`结构

RNN(Recurrent neural network)是为了解决什么一个问题的呢？因为一般情况下序列的信息决定事件本身。如果我们试图使用这类数据得到有用的输出，就需要一个这样的网络：能够访问一些关于数据的先前知识（prior knowledge），以便完全理解这些数据。因此，RNN就出现了。

在最原始的情况下，RNN的网络结构如下图：

在这里插入图片描述

其中，U是输入层到隐藏层的权重矩阵，o是输出层的值，V是隐藏层到输出层的权重矩阵，权重矩阵W是隐藏层上一次的值作为下一次输入的权重。然后每次来的时候都会更新权重W，如此往复循环，这或许就是循环神经网络的由来吧。

当然，我们为了方便理解RNN的话，可以将我们RNN网络展开：

在这里插入图片描述

在这个网络中，时刻t接收到输入之后，隐藏层的值是 $S_t$ ,输出值是 $O_t$ 。从网络中可以看出， $S_t$

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。