Återkommande neuralt nätverk
Ett återkommande neuralt nätverk (RNN) är en klass av neurala nätverk utformade för att bearbeta sekventiell data genom att upprätthålla ett dolt tillstånd som bär information över tidsteg. Introducerat i sin moderna form av Rumelhart et al. (1986) och vidareutvecklat av Elman (1990), blev RNN:er den dominerande arkitekturen för sekvensmodellering inom NLP, tal och tidsserieanalys före framväxten av uppmärksamhetsbaserade modeller.
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.
+15 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/sv/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-baserad klassificeringDjupinlärning↔ compare
- Gated Recurrent Unit (GRU)Djupinlärning↔ compare
- Long Short-Term Memory (LSTM)Djupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →