Recurrent Neural Network
Et Recurrent Neural Network (RNN) er en klasse af neurale netværk designet til at behandle sekventielle data ved at vedligeholde en skjult tilstand, der bærer information på tværs af tidstrin. Introduceret i sin moderne form af Rumelhart et al. (1986) og yderligere formet af Elman (1990), blev RNN'er den dominerende arkitektur for sekvensmodellering inden for NLP, tale og tidsserieanalyse før fremkomsten af opmærksomhedsbaserede modeller.
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.
+15 more
Kilder
- Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. DOI: 10.1207/s15516709cog1402_1 ↗
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. DOI: 10.1038/323533a0 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/da/deep-learning/recurrent-neural-network
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
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →