Machine learning
Iegādīts rekurents vienums (GRU)
Iegādīts rekurents vienums (GRU) ir iegādāts rekurents neironu tīkla elements, ko 2014. gadā ieviesa Čo un kolēģi, un kas uztver ilgtermiņa atkarības secīgos datos, izmantojot atjaunināšanas un atiestatīšanas vārtus, panākot veiktspēju, kas ir salīdzināma ar LSTM, ar mazāku parametru skaitu.
Lasīt pilno metodes aprakstu
Tikai dalībniekiem
PieteiktiesPiesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Cho, K. et al. (2014). Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation. EMNLP. link ↗
- Chung, J., Gulcehre, C., Cho, K. & Bengio, Y. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. NIPS 2014 Deep Learning Workshop. arXiv:1412.3555 link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Gated Recurrent Unit. ScholarGate. https://scholargate.app/lv/deep-learning/gru
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 mechanismDziļā mācīšanās↔ compare
- Dкновеirziena atkārtojošais neironu tīklsDziļā mācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Sekvences-sekvences modelisDziļā mācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →