Atkārtotais neironu tīkls
Atkārtotais neironu tīkls (RNN) ir neironu tīklu klase, kas paredzēta secīgu datu apstrādei, uzturot slēpto stāvokli, kas pārraida informāciju laika soļu laikā. Mūsdienu formā ieviesti ar Rumelhart et al. (1986) un tālāk attīstīti ar Elman (1990), RNN kļuva par dominējošo arhitektūru sekvenču modelēšanai NLP, runas un laika sēriju analīzē pirms uzmanības balstītu modeļu parādīšanās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/lv/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 klasifikācijaDziļā mācīšanās↔ compare
- Gated Recurrent Unit (GRU)Dziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →