Tiếp theoHướng dẫn tiếp theo
Mạng thần kinh tái phát
Nguyên tắc cơ bản
HƯỚNG DẪN KỸ THUẬT
Mạng tái phát hai chiều
Mạng hồi quy hai chiều đọc một chuỗi cả tiến và lùi, do đó cách trình bày của mỗi vị trí sẽ dựa trên bối cảnh từ quá khứ và tương lai.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Điều này quan trọng vì ý nghĩa thường phụ thuộc vào điều gì sẽ xảy ra tiếp theo, không chỉ là những gì đã xảy ra trước đó.
Lặn sâu
Được đề xuất bởi Schuster và Paliwal vào năm 1997, RNN hai chiều chạy hai lớp lặp lại riêng biệt trên cùng một đầu vào: một lớp xử lý chuỗi từ trái sang phải, lớp còn lại từ phải sang trái. Các trạng thái ẩn của chúng sau đó được kết hợp, thường bằng cách ghép nối, để tạo thành một biểu diễn ở mỗi bước thời gian nhằm mã hóa toàn bộ bối cảnh xung quanh. Điều này rất hiệu quả đối với các tác vụ mà toàn bộ đầu vào có sẵn cùng một lúc. Ví dụ: để gắn nhãn ngân hàng từ là một tổ chức tài chính thay vì ven sông, một mô hình sẽ được hưởng lợi từ việc nhìn thấy các từ ở cả hai phía. LSTM và GRU hai chiều đã trở thành tiêu chuẩn để nhận dạng thực thể được đặt tên, gắn thẻ một phần lời nói và nhận dạng giọng nói. Hạn chế chính là mạng cần chuỗi hoàn chỉnh trước khi tạo đầu ra, do đó, nó không thể được sử dụng để dự đoán theo thời gian thực, phát trực tuyến hoặc dự đoán tổng quát từ trái sang phải.
Triển khai trong thế giới thực
Nhận dạng thực thể được đặt tên, trong đó các từ xung quanh ở cả hai bên giúp phân loại mã thông báo là người, địa điểm hoặc tổ chức
Gắn thẻ phần lời nói giúp phân biệt các từ như 'dẫn' bằng cách sử dụng cả ngữ cảnh trước và sau
Mô hình hóa âm thanh trong nhận dạng giọng nói ngoại tuyến nơi có sẵn toàn bộ lời nói
Ghi nhãn trình tự protein hoặc DNA trong tin sinh học, trong đó các họa tiết phụ thuộc vào dư lượng sườn
Tương lai của mạng tái phát hai chiều
Bối cảnh hai chiều vẫn tồn tại trong các bộ mã hóa hiện đại: Máy biến áp kiểu BERT đạt được mục tiêu tương tự với sự chú ý được che giấu thay vì lặp lại và chúng song song tốt hơn nhiều. RNN hai chiều vẫn phù hợp trong các đường ống nhẹ, xử lý âm thanh và tín hiệu sinh học cũng như các cài đặt trong đó các chuỗi đầy đủ được rút ngắn và được gắn nhãn. Mong đợi việc tiếp tục sử dụng trong các tác vụ mã hóa chuyên dụng, có khả năng chịu độ trễ, trong khi bộ mã hóa hai chiều dựa trên sự chú ý chiếm ưu thế trong việc hiểu ngôn ngữ trên quy mô lớn.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Bidirectional Recurrent Networks quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Mạng Lặp Song Chiều Là Gì?
Mạng hồi quy hai chiều đọc một chuỗi cả tiến và lùi, do đó cách trình bày của mỗi vị trí sẽ dựa trên bối cảnh từ quá khứ và tương lai. Điều này quan trọng vì ý nghĩa thường phụ thuộc vào những gì xảy ra tiếp theo chứ không chỉ những gì xảy ra trước đó.
What does a bidirectional RNN do with an input sequence?
The guide describes two recurrent passes over the same input in opposite directions.
Why can context from both directions help label a word such as “bank”?
The guide gives contextual disambiguation as a benefit of bidirectional representations.
How are the two directional hidden states commonly combined at a position?
The guide says the directional states are typically concatenated before output.
Why can a bidirectional RNN be unsuitable for streaming generation?
The guide notes the full input must be available before outputs using future context can be produced.
What is one advantage of offline sequence labeling with bidirectionality?
Both passes provide context before and after the current position.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này