Rekurrentes neuronales Netz
Ein Rekurrentes Neuronales Netz (RNN) ist eine Klasse von neuronalen Netzen, die zur Verarbeitung sequenzieller Daten entwickelt wurde, indem ein verborgener Zustand (hidden state) aufrechterhalten wird, der Informationen über Zeitschritte hinweg trägt. In seiner modernen Form von Rumelhart et al. (1986) eingeführt und von Elman (1990) weiterentwickelt, wurden RNNs zur dominanten Architektur für Sequenzmodellierung in NLP, Sprachverarbeitung und Zeitreihenanalyse, bevor auf Aufmerksamkeit basierende Modelle aufkamen.
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.
+15 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/de/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-basierte KlassifikationDeep Learning↔ compare
- Gated Recurrent Unit (GRU)Deep Learning↔ compare
- Long Short-Term Memory (LSTM)Deep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →