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.
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.
Hiểu biết kỹ thuật
Kiến trúc duy trì hai bộ tham số lặp lại độc lập. Lớp chuyển tiếp tính toán các trạng thái ẩn từ bước 1 đến T; lớp lùi tính toán chúng từ bước T đến bước 1. Tại mỗi vị trí, hai vectơ ẩn được nối (hoặc tính tổng) trước khi được chuyển đến lớp đầu ra. Điều quan trọng là hai hướng không bao giờ chia sẻ trọng số và không ảnh hưởng lẫn nhau trong quá trình truyền lặp lại, do đó, mỗi hướng nắm bắt bối cảnh một chiều mà sự kết hợp sẽ hợp nhất.
Tác động chiến lược
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.
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.
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
Rủi ro & lan can
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.
Lộ trình thực hiện
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Bidirectional Recurrent Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Mạng thần kinh tái phát
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.
Điều gì tạo nên một mạng hồi quy hai chiều?
Hai đường chuyền lặp lại riêng biệt, từ trái sang phải và từ phải sang trái, cung cấp cho mỗi vị trí cả bối cảnh quá khứ và tương lai.
Các trạng thái ẩn tiến và lùi thường được kết hợp như thế nào?
Hai vectơ ẩn theo hướng cụ thể thường được nối với nhau để tạo thành một biểu diễn giàu ngữ cảnh cho mỗi bước.
Hạn chế chính của RNN hai chiều là gì?
Bởi vì quá trình truyền ngược yêu cầu đầu vào đầy đủ nên RNN hai chiều không thể thực hiện dự đoán từ trái sang phải theo thời gian thực hoặc tổng quát.
Các lớp tiến và lùi có chia sẻ trọng số trong quá trình truyền lặp lại không?
Mỗi hướng có các tham số hồi quy độc lập riêng; chúng chỉ được hợp nhất ở giai đoạn đầu ra.
Nhiệm vụ cổ điển nào phù hợp nhất với RNN hai chiều?
Việc dán nhãn các tác vụ trên các câu đầy đủ, chẳng hạn như NER, sẽ được hưởng lợi rất nhiều từ việc xem ngữ cảnh ở cả hai mặt của mỗi từ.