概述
回声状态网络是最著名的例子，它使序列学习变得快速且廉价。
深入探讨
Herbert Jaeger 于 2001 年左右推出的 Echo 状态网络 (ESN) 和 Wolfgang Maass 提出的密切相关的液态状态机组成了称为存储库计算的家族。想法：一个固定的、随机初始化的循环网络将输入序列投影到高维动态状态。由于循环权重从未经过训练，因此您可以避免 RNN 和 LSTM 使用的缓慢且不稳定的时间反向传播。仅学习从储层到输出的读出权重，通常通过快速且凸的简单线性回归来学习。水库必须满足“回声状态属性”：它对过去输入的记忆逐渐消失，确保状态取决于最近的历史而不是初始条件。 ESN 擅长时间序列预测和混沌信号建模。
现实世界的实施
高精度预测混沌动力系统，例如麦基格拉斯级数或洛伦兹吸引子。
电力负荷、库存信号或与天气相关的时间序列的短期预测。
使用液态状态机作为尖峰神经元储存器进行语音和音素识别。
基于光子或忆阻器的硬件库在传感器边缘执行低功耗信号分类。
回声状态网络和油藏计算的未来
储层计算在物理和神经形态硬件中越来越受欢迎，其中储层可以是模拟系统、光子电路、忆阻器阵列，甚至是一桶水，利用自然动力学进行超低功耗计算。尖峰和光子存储库有望对传感器数据进行快速边缘推理。虽然深度学习在大型任务中占据主导地位，但在数据稀缺、延迟和能源预算紧张或有非常规硬件基础的情况下，储层方法仍然具有吸引力。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是回声状态网络和水库计算？
储层计算是训练循环网络的一个聪明的捷径：保留一个大的、随机连接的神经元“储层”固定，只训练一个简单的线性输出层。回声状态网络是最著名的例子，它使序列学习变得快速且廉价。
在回声状态网络中，实际训练了哪些权重？
存储库的内部循环权重保持固定和随机；仅训练从储层到输出的线性读数，通常通过最小二乘回归进行训练。
哪个条件表示具有相同输入历史的两轮运行的回声状态属性？
储备状态应成为输入历史的函数，而非初始状态；这与衰减记忆相关，但直接陈述了独立性条件。
为什么训练 ESN 比训练标准 LSTM 快得多？
由于循环权重是固定的，因此训练减少为快速的凸线性回归，而不是缓慢的迭代反向传播。
在调优回声状态储备时，谱半径通常如何使用？
指南描述将谱半径缩放到略低于一作为常见的稳定启发式；回声状态属性取决于完整的动力学和输入，而不仅仅是这个标量。
液体状态机是一种尖峰神经元形式的储存器计算，是由谁引入的？
Wolfgang Maass 推出了 Liquid State Machines，而 Herbert Jaeger 则推出了 Echo State Networks；两者都属于水库计算。