Long Short-Term Memory (LSTM)
Long Short-Term Memory (LSTM) er en gated rekurrent neuralt netværksarkitektur introduceret af Hochreiter og Schmidhuber i 1997. Den blev designet til at lære afhængigheder på tværs af lange sekvenser ved at anvende dedikerede hukommelsesceller og tre lærte gates – forget, input og output – som styrer, hvilken information der bevares, opdateres eller sendes videre ved hvert tidstrin.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+13 more
Kilder
- Hochreiter, S. & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
- Graves, A., Mohamed, A.-R. & Hinton, G. (2013). Speech recognition with deep recurrent neural networks. Proceedings of ICASSP 2013, pp. 6645–6649. IEEE. DOI: 10.1109/ICASSP.2013.6638947 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Long Short-Term Memory Network (LSTM). ScholarGate. https://scholargate.app/da/deep-learning/long-short-term-memory
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT-baseret klassifikationDyb læring↔ compare
- Gated Recurrent Unit (GRU)Dyb læring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →