LSTM
LSTM (حافظه طولانی کوتاهمدت) یک معماری شبکه عصبی بازگشتی است که توسط سپ هوخرایتر و یورگن اشمیدهوبر در سال ۱۹۹۷ معرفی شد. این معماری قادر به یادگیری وابستگیهای طولانیمدت در دادههای متوالی است و به طور گسترده برای پیشبینی سریهای زمانی و توالیها استفاده میشود. این شبکه یک حافظه داخلی را حفظ میکند که به اطلاعات اجازه میدهد در طول گامهای زمانی متعدد باقی بمانند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
منابع
- Hochreiter, S. & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Long Short-Term Memory Network. ScholarGate. https://scholargate.app/fa/deep-learning/lstm
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.
- خودرمزگذاریادگیری عمیق↔ compare
- شبکه عصبی کانولوشنی (طبقهبندی)یادگیری عمیق↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- ترنسفورمر (پردازش زبان طبیعی)یادگیری عمیق↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →