InayofuataMwongozo unaofuata
Mitandao ya Neural ya Grafu
Misingi
MUONGOZO wa Misingi
Mitandao ya Neural ya Kawaida
Mtandao wa kawaida wa neva husasisha hali ya ndani wakati wa kuchakata mlolongo.
Sikiliza mwongozo huuInaonyeshwa na AI · ~3 min
Katika ukurasa huudk 3 kusoma
Muhtasari
Hali hiyo inaweza kuwakilisha maelezo kutoka kwa hatua za awali, na kufanya ingizo zilizoagizwa kuwa muhimu bila kuhakikisha uhifadhi kamili wa historia.
Dive ya kina
RNN ya kawaida ya unidirectional inachanganya ingizo la sasa na hali yake ya awali iliyofichwa ili kutoa hali mpya iliyofichwa. Kokotoo tofauti la pato linaweza kutoa utabiri, kwa hivyo hali inayorudiwa haipaswi kuitwa kiotomatiki matokeo ya utabiri uliopita. Jimbo ni uwakilishi unaoendelea badala ya nakala kamili isiyo na hasara ya kila kitu kilichokutana. Data iliyoagizwa kama vile maandishi, hotuba na mfululizo wa saa za vitambuzi inaweza kutengenezwa kupitia muundo huu unaojirudia. Mafunzo kwa kawaida hutumia uenezaji nyuma kupitia wakati, ambao hutazama ukokotoaji unaorudiwa mara kwa mara kama grafu ya utegemezi iliyofunguliwa. Kuzidisha derivatives katika hatua nyingi kunaweza kusababisha kupotea au kulipuka gradient, na kufanya ujifunzaji wa utegemezi wa umbali mrefu kuwa mgumu. Usanifu wa LSTM na GRU hutumia milango kudhibiti mtiririko wa habari. LSTM inajumuisha hali ya seli na ingizo, sahau, na uwekaji wa matokeo; malango yanaweza kupunguza ugumu lakini haitoi dhamana ya kumbukumbu kamili ya muda mrefu. Usanifu wa transfoma unaozingatia umakini hutoa hesabu zaidi sambamba katika nafasi za mafunzo na mwingiliano wa moja kwa moja kati ya nafasi zinazoruhusiwa. Kizazi cha transfoma kiotomatiki bado kinaweza kuendelea na ishara, kwa hivyo mafunzo ya sambamba haipaswi kuchanganyikiwa na kizazi cha sambamba kabisa. Urudiaji rahisi wa mstari unaonyesha masasisho ya hali: h-mpya ni sawa na nusu h-iliyotangulia plus x. Na h-iliyotangulia mbili na x tatu, hali mpya ni nne. Hiki ni kielelezo kilichotajwa, sio sasisho kamili lisilo la mstari la kila RNN. Hali ya marejeleo ya kawaida ya ukubwa usiobadilika pia hutofautiana na kumbukumbu ya mafunzo, ambapo kuhifadhi au kurejesha maelezo katika hatua nyingi hutengeneza gharama za ziada.
Utekelezaji wa Ulimwengu Halisi
Kuiga mlolongo wa tokeni za maandishi na hali ya siri inayobadilika.
Utabiri wa mfululizo wa muda wa kihisi uliobainishwa kutoka kwa usomaji wa awali.
Kusoma milango katika mifano ya mlolongo wa LSTM na GRU.
Kulinganisha hali ya makisio ya utiririshaji na kumbukumbu inayotumika kufunza mfuatano uliofunguliwa.
Mustakabali wa Mitandao ya Neural ya Kawaida
Mbinu za mara kwa mara, za kuzingatia, na nafasi za serikali zinaweza kulinganishwa kwa mlolongo fulani na mizigo ya kazi ya utiririshaji. Vipimo vinapaswa kutambua iwapo vinahusu mafunzo au makisio, urefu wa mfuatano, ukubwa wa hali na ubora wa kazi. Hali fupi ya uelekezaji inaweza kuwa muhimu wakati uwakilishi wake mdogo unaweza kupoteza habari. Mafunzo zaidi sambamba au muundo uliowekewa lango unaweza kubadilisha ubadilishanaji, lakini hakuna uthibitisho wa ubora wa jumla au uhifadhi wa muktadha kamili. Tathmini modeli na utekelezaji kwenye pembejeo zilizokusudiwa.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Maamuzi ya wazi zaidi. Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
- Gharama na bajeti. Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
- Timu na mtiririko wa kazi. Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Jihadharini na
- Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
- Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
- Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Hatua zinazofuata
- Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
- Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
- Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
- Hati ambapo Mitandao ya Neural ya Kawaida husaidia na ambapo mbinu rahisi ni bora zaidi.
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Take the Recurrent Neural Networks quiz
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
Mitandao ya Neural ya Kawaida ni nini?
Mtandao wa kawaida wa neva husasisha hali ya ndani wakati wa kuchakata mlolongo. Hali hiyo inaweza kuwakilisha maelezo kutoka kwa hatua za awali, na kufanya ingizo zilizoagizwa kuwa muhimu bila kuhakikisha uhifadhi kamili wa historia.
Je, ni taarifa gani ya mara kwa mara ambayo RNN ya kawaida ya unidirectional inachanganya na kila ingizo jipya?
Hali iliyofichwa inashiriki katika sasisho la pili la hali; ni tofauti na utabiri uliotolewa tofauti.
Je, hali iliyofichwa ya RNN inapaswa kuelewekaje?
Hali iliyofichwa inaweza kubeba taarifa muhimu huku ikipoteza maelezo; sio kumbukumbu kamili ya kudumu.
Ni ugumu gani wa mafunzo unaweza kutokea kutokana na kueneza gradient za RNN kupitia hatua nyingi za wakati?
Bidhaa zinazotoka kwa muda mrefu zinaweza kuwa ndogo au kubwa, na kutatiza kujifunza kwa utegemezi wa mbali.
Je, LSTM na GRU huboresha vipi kwenye RNN wazi?
Vitengo vilivyowekwa lango kama vile LSTM na GRU hujifunza kudhibiti mtiririko wa taarifa, kuruhusu muktadha muhimu uendelee katika mfuatano mrefu na kupunguza tatizo la kutoweka-gradient.
Je, ni aina gani ya data ambazo RNN zimeundwa hasa?
RNN huangazia data iliyopangwa ambapo muktadha na mfuatano ni muhimu, kama vile sentensi, mitiririko ya sauti na vipimo kwa muda.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii