递归神经网络在图像分类,视频识别,机器翻译,和音乐构图中具有广泛的应用。
考虑一个图像分类用例,其中无涯教程已经对神经网络进行了训练以对某些动物进行图像的分类。
因此提供猫或狗的图像;网络会为猫或狗的图片提供带有相应标签的输出。
请参见下图:
在这里,第一个输出为猫不会影响之前的输出,即狗。这意味着在时间" t"处的输出是自主的,而不是在时间" t-1"处的输出自主。。
考虑需要使用最后的方案输出:
该概念与阅读书相同。在前进的每一页中,都需要前一页的理解,才能在大多数案例中完全理解信息。
在前馈网络的帮助下, time't + 1 的新输出?在时间t, t-1,t-2 的输出没有关系。
因此,在预测句子中的单词时不能使用前馈网络,因为它与上一组单词没有绝对关系。
但是,借助递归神经网络,可以克服这一挑战。
请参见下图:
在上图中,在-1处有特定的输入。馈入网络。这些输入也将在时间" t-1"处导致并行输出。
在下一个时间戳中,来自先前输入" t-1"的信息。与输入一起提供吗?以最终提供" t"的输出。
此过程会重复进行,以确保了解最新的输入并可以使用从前一个时间戳获取的信息。
循环网络是一种人工神经网络,旨在识别数据序列中的模式。例如,文本,基因组,手写,来自传感器,股票市场和政府机构的数值序列数据。
为了更好地理解,请考虑以下比较:
无涯教程会定期去健身房,而教练已经为无涯教程提供了锻炼的时间表:
请注意,每周都要以适当的顺序重复所有练习。让使用前馈网络尝试和预测练习的类型。
输入的是日期,月份和健康状况。使用这些输入对神经网络进行了训练,以提供运动预测。
但是,考虑到输入,这将不是很准确。为了解决这个问题,利用递归神经网络的概念,如下所示:
在这种情况下,找到前一天要进行锻炼的输入。
因此,如果昨天进行了肩部锻炼,那么今天可以进行二头肌锻炼,这一过程将持续到本周的其余时间。
但是,如果碰巧错过了在健身房锻炼的一天,则可以考虑以下先前参加的时间戳记中的数据。
如果根据从上次练习中获得的数据来体验模型,则该模型的输出将是准确的。总而言之,将数据转换为向量。向量是输入到模型以表示的数字,无论是否进行了练习。
因此,如果有肩部运动,相应的节点将是'1',并且其余的锻炼节点将被映射到'0'。必须检查神经网络工作背后的数学原理。
将"W"检查为权重矩阵和"B"作为偏置:
在时间t = 0时,输入为'x0,任务是弄清楚什么是'h0'。将t = 0代入方程式,并获得函数h(t)值。应用于新公式时,将使用先前计算的值找出下一个'y0'值。
对模型中的所有时间戳重复相同的过程以训练模型。
祝学习愉快!(内容编辑有误?请选中要编辑内容 -> 右键 -> 修改 -> 提交!)