Long Short-Term Memory (LSTM)
Long Short-Term Memory (LSTM) är en arkitektur för gated rekurrenta neurala nätverk som introducerades av Hochreiter och Schmidhuber 1997. Den utformades för att lära sig beroenden över långa sekvenser genom att använda dedikerade minnesceller och tre inlärda grindar – glömma, input och output – som styr vilken information som behålls, uppdateras eller skickas vidare vid varje tidsteg.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+13 more
Källor
- Hochreiter, S. & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
- Graves, A., Mohamed, A.-R. & Hinton, G. (2013). Speech recognition with deep recurrent neural networks. Proceedings of ICASSP 2013, pp. 6645–6649. IEEE. DOI: 10.1109/ICASSP.2013.6638947 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Long Short-Term Memory Network (LSTM). ScholarGate. https://scholargate.app/sv/deep-learning/long-short-term-memory
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-baserad klassificeringDjupinlärning↔ compare
- Gated Recurrent Unit (GRU)Djupinlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- MeningsinbäddningarDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →