Bidirectional RNN
Ein Bidirectional RNN, eingeführt von Schuster und Paliwal im Jahr 1997, verarbeitet eine Sequenz sowohl in Vorwärts- als auch in Rückwärtsrichtung, sodass jede Position Zugriff auf ihren vollständigen umgebenden Kontext hat. Mit LSTM- oder GRU-Zellen (BiLSTM/BiGRU) ist es der Standardansatz für Named-Entity Recognition, Sequenz-Labeling und Spracherkennung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Schuster, M. & Paliwal, K.K. (1997). Bidirectional Recurrent Neural Networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681. DOI: 10.1109/78.650093 ↗
- Graves, A. & Schmidhuber, J. (2005). Framewise Phoneme Classification with Bidirectional LSTM Networks. IJCNN, 2047–2052. DOI: 10.1109/IJCNN.2005.1556215 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Bidirectional Recurrent Neural Network (BiLSTM / BiGRU). ScholarGate. https://scholargate.app/de/deep-learning/bidirectional-rnn
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.
- Attention MechanismDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Multi-Head Self-AttentionDeep Learning↔ compare
- Sequence-to-Sequence ModelDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →