Çift Yönlü RNN
Bidirectional Recurrent Neural Network (BiLSTM / BiGRU) · Ayrıca şöyle bilinir: Çift Yönlü RNN / BiLSTM / BiGRU, bidirectional recurrent neural network, BiLSTM, BiGRU, bidirectional LSTM
Schuster ve Paliwal tarafından 1997'de tanıtılan Çift Yönlü RNN, her pozisyonun tam çevresel bağlama erişebilmesi için bir diziyi hem ileri hem de geri yönde işler. LSTM veya GRU hücreleri (BiLSTM/BiGRU) ile adlandırılmış varlık tanıma, dizi etiketleme ve konuşma tanıma için standart yaklaşımdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Dizisel veya boylamsal veriler üzerinde dizi etiketleme, metin sınıflandırma veya tahmin için kullanın - örneğin, hem önceki hem de sonraki bağlamın önemli olduğu ve tüm dizinin bir kerede mevcut olduğu adlandırılmış varlık tanıma, sözcük türü etiketleme veya konuşma tanıma gibi - . Metin ve sürekli diziler üzerinde çalışır ve normal dağılmış verileri varsaymaz, ancak makul miktarda veriye ihtiyaç duyar (istikrarlı eğitim için en az yaklaşık 100 dizi ve rahatlıkla daha fazlası).
Güçlü yönler & sınırlılıklar
- Her pozisyon hem geçmiş hem de gelecek bağlamı görür, bu da adlandırılmış varlık tanıma gibi dizi etiketleme için standart, güçlü bir seçimdir.
- Varsayım-hafif: normalite gereksinimi yok, doğrudan metin ve sürekli diziler üzerinde çalışır.
- Uzun menzilli bağımlılıkları ele almak için LSTM veya GRU hücreleriyle doğal olarak eşleşir.
- Konuşma tanıma ve diğer çerçeve bazlı sınıflandırma görevleri için iyi kurulmuştur.
- Tüm diziyi önceden gerektirir, bu nedenle akış veya gerçek zamanlı üretim için uygun değildir, çünkü gelecek girdi bilinmez.
- Küçük veri kümelerinde (yaklaşık 500 dizinin altında) aşırı uyum sağlar ve bağlam güvenilir bir şekilde çıkarılamaz.
- Çok küçük örneklerde (yaklaşık 100'ün altında) bir BiLSTM/BiGRU eğitmek anlamlı değildir.
- İki geçiş, tek yönlü bir RNN'nin hesaplama ve bellek maliyetini kabaca ikiye katlar.
SSS
Çift yönlü bir RNN normal bir RNN'den nasıl farklıdır?
Normal bir RNN, bir diziyi tek yönde okur, bu nedenle her pozisyon yalnızca geçmişi bilir. Çift yönlü bir RNN, ters yönde ikinci bir geçiş ekler ve her ikisini birleştirir, böylece her pozisyon gelecek bağlamından da haberdar olur.
Ne zaman kullanamam?
Tüm diziyi bir kerede gerektirir, bu nedenle gelecek belirteçlerin henüz bilinmediği gerçek zamanlı veya üretken ayarlar için uygun değildir. Bu durumlarda tek yönlü bir model gereklidir.
Ne kadar veriye ihtiyacım var?
En az yaklaşık 100 dizi taban olarak, ancak eğitim yalnızca rahatlıkla daha fazlasıyla güvenilirdir - yaklaşık 500'ün altında model aşırı uyuma eğilimindedir ve bağlam güvenilir bir şekilde çıkarılamaz. Çok küçük örneklerde rastgele orman veya XGBoost gibi bir ağaç topluluğu daha güvenlidir.
BiLSTM ve BiGRU arasındaki fark nedir?
Her ikisi de çift yönlü RNN'lerdir; tekrarlayan hücrelerinde farklılık gösterirler. BiLSTM, LSTM hücrelerini kullanır ve BiGRU, GRU hücrelerini kullanır, her ikisi de uzun menzilli bağımlılıkları düz RNN'den daha iyi yakalamak için tasarlanmıştır.
Kaynaklar
- Schuster, M. & Paliwal, K.K. (1997). Bidirectional Recurrent Neural Networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681. DOI: 10.1109/78.650093 ↗
- Graves, A. & Schmidhuber, J. (2005). Framewise Phoneme Classification with Bidirectional LSTM Networks. IJCNN, 2047–2052. DOI: 10.1109/IJCNN.2005.1556215 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Bidirectional Recurrent Neural Network (BiLSTM / BiGRU). ScholarGate. https://scholargate.app/tr/deep-learning/bidirectional-rnn
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dikkat MekanizmasıDerin öğrenme↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Çok Başlı Öz-DikkatDerin öğrenme↔ karşılaştır
- Diziden Diziye ModelDerin öğrenme↔ karşılaştır