Jaringan Saraf Berulang
Jaringan Saraf Berulang (RNN) ialah kelas jaringan saraf yang direka untuk memproses data berjujukan dengan mengekalkan keadaan tersembunyi yang membawa maklumat merentasi langkah masa. Diperkenalkan dalam bentuk modennya oleh Rumelhart et al. (1986) dan dibentuk selanjutnya oleh Elman (1990), RNN menjadi seni bina dominan untuk pemodelan jujukan dalam Pemprosesan Bahasa Semula Jadi (NLP), pertuturan, dan analisis siri masa sebelum kemunculan model berasaskan perhatian.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/ms/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.
- Klasifikasi Berasaskan BERTPembelajaran Mendalam↔ compare
- Gated Recurrent Unit (GRU)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →