“循环神经网络”版本间的差异

来自iCenter Wiki
跳转至： 导航、 搜索
（以“循环网络（Recurrent Networks） 用于序列建模预测问题。”为内容创建页面）
 
第1行： 第1行：
−
循环网络（Recurrent Networks）
+
=循环网络=
 +
 
 +
循环网络（Recurrent Networks，简称RNN）
 +
 
 +
在时间维度上，每一个时间步处理时，采用共享的权重
 +
 
 +
用于序列建模预测问题：
 +
#手写识别handwriting recognition
 +
#语音识别speech recognition
 +
#诗歌填词poem compose
 +
#股价预测stock price
 +
#天气预测weather forecast
 +
#机器翻译machine translation
 +
#图片注释image caption
 +
 
 +
…
  
  
 
用于序列建模预测问题。
 
用于序列建模预测问题。
 +
 +
循环网络结构
 +
#y是训练目标
 +
#L是损失函数
 +
#o是输出
 +
#h是状态（隐藏单元）
 +
#x是输入
 +
 +
计算图的时间步上展开，循环神经网络是不同的时间步上采用相同的U、V、W参数
 +
 +
#输入到隐藏的连接由权重矩阵U 参数化
 +
#隐藏到输出的连接由权重矩阵V 参数化
 +
#隐藏到隐藏的循环连接由权重矩阵W 参数化
 +
 +
=Bidirectional RNN=
 +
双向RNN 结合时间上从序列起点开始移动的RNN 和另一个时间上从序列末尾开始移动的RNN。
 +
 +
双向RNN，其中h(t) 代表通过时间向前移动的子RNN 的状态，g(t) 代表通过时间向后移动的子RNN 的状态。
 +
 +
输出单元o(t) 能够计算同时依赖于过去和未来且对时刻t 的输入值最敏感的表示
 +
 +
用于手写识别和语音识别
 +
 +
=LSTM=
 +
 +
=GRU=

2017年8月7日 (一) 14:20的版本

循环网络

循环网络（Recurrent Networks，简称RNN）

在时间维度上，每一个时间步处理时，采用共享的权重

用于序列建模预测问题：

  1. 手写识别handwriting recognition
  2. 语音识别speech recognition
  3. 诗歌填词poem compose
  4. 股价预测stock price
  5. 天气预测weather forecast
  6. 机器翻译machine translation
  7. 图片注释image caption

…


用于序列建模预测问题。

循环网络结构

  1. y是训练目标
  2. L是损失函数
  3. o是输出
  4. h是状态（隐藏单元）
  5. x是输入

计算图的时间步上展开，循环神经网络是不同的时间步上采用相同的U、V、W参数

  1. 输入到隐藏的连接由权重矩阵U 参数化
  2. 隐藏到输出的连接由权重矩阵V 参数化
  3. 隐藏到隐藏的循环连接由权重矩阵W 参数化

Bidirectional RNN

双向RNN 结合时间上从序列起点开始移动的RNN 和另一个时间上从序列末尾开始移动的RNN。

双向RNN，其中h(t) 代表通过时间向前移动的子RNN 的状态，g(t) 代表通过时间向后移动的子RNN 的状态。

输出单元o(t) 能够计算同时依赖于过去和未来且对时刻t 的输入值最敏感的表示

用于手写识别和语音识别

LSTM

GRU

取自“http://wiki.icenter.tsinghua.edu.cn/icenterwiki/index.php?title=循环神经网络&oldid=45226”