Tutorial Rangkaian Neural Berulang (RNN)

Rangkaian Neural Berulang (RNNS): Panduan Komprehensif

Rangkaian Neural Berulang (RNNS) adalah jenis neural buatan yang kuat (ANN) yang digunakan dalam aplikasi seperti Siri Apple dan carian suara Google. Keupayaan unik mereka untuk mengekalkan input masa lalu melalui memori dalaman menjadikannya sesuai untuk tugas -tugas seperti ramalan harga saham, penjanaan teks, transkripsi, dan terjemahan mesin. Tidak seperti rangkaian saraf tradisional di mana input dan output adalah bebas, output RNN bergantung kepada unsur -unsur sebelumnya dalam urutan. Tambahan pula, parameter saham RNNS di seluruh lapisan rangkaian, mengoptimumkan berat badan dan pelarasan bias semasa keturunan kecerunan. />

Rajah di atas menggambarkan RNN asas. Dalam senario ramalan harga saham menggunakan data seperti [45, 56, 45, 49, 50, ...], setiap input (x0 hingga XT) menggabungkan nilai masa lalu. Sebagai contoh, x0 akan menjadi 45, x1 akan menjadi 56, dan nilai -nilai ini menyumbang untuk meramalkan elemen urutan seterusnya.

Bagaimana fungsi RNNS

src = "https://img.php.cn/upload/article/000/000/000/174165793768541.jpg" alt = "tutorial rangkaian saraf berulang (rnn)" /> Fungsi, berat, dan bias. Parameter ini dikongsi di lapisan tersembunyi, mewujudkan satu lapisan gelung tunggal dan bukannya pelbagai lapisan yang berbeza. RNNs menggunakan backpropagation melalui masa (BPTT) dan bukannya backpropagation tradisional untuk mengira kecerunan. Kesalahan BPTT pada setiap langkah kerana parameter yang dikongsi. Kesesuaian ini membolehkan RNNs mengendalikan pelbagai tugas, termasuk penjanaan muzik, analisis sentimen, dan terjemahan mesin. Empat jenis utama wujud:

• one-to-one: Rangkaian saraf mudah yang sesuai untuk masalah input/output tunggal.
klasifikasi). Tutorial (RNN) "/>

kursus pembelajaran mesin yang disyorkan

Rangkaian FeedForward memproses data spatial (seperti imej), yang biasa digunakan dalam penglihatan komputer. Rangkaian neural mudah berjuang dengan dependensi piksel imej, manakala CNN, dengan lapisan convolutional, relu, pengumpulan, dan sepenuhnya bersambung, excel di kawasan ini. Tutorial Rangkaian Neural (RNN) "/> RNNs adalah fleksibel.

• CNNs adalah feedforward; RNNs Gunakan gelung untuk data berurutan.
• CNNs digunakan untuk pemprosesan imej/video; Rnns untuk analisis pertuturan/teks.

Besar, menyebabkan ketidakstabilan model dan masa latihan yang lebih lama. LSTM dan GRU alamat ini dengan membolehkan pengekalan maklumat dalam tempoh yang panjang.

Memori jangka pendek jangka panjang (LSTM): RNN maju yang direka untuk mengurangkan kecerunan yang hilang/meletup. Empat lapisan berinteraksi memudahkan pengekalan ingatan jangka panjang, menjadikannya sesuai untuk terjemahan mesin, sintesis pertuturan, dan banyak lagi. (RNN) "/>

• Unit berulang berpagar (GRU): Variasi LSTM yang lebih mudah, menggunakan GATE UPDATE dan RESET untuk menguruskan aliran maklumat. Senibina yang diselaraskannya sering membawa kepada latihan yang lebih cepat berbanding dengan LSTM.
Ramalan harga saham menggunakan LSTM & amp; Gru

Bahagian ini memperincikan projek menggunakan LSTM dan GRU untuk meramalkan harga saham MasterCard. Kod ini menggunakan perpustakaan seperti pandas, numpy, matplotlib, scikit-learn, dan tensorflow.

(Contoh kod terperinci dari input asal ditinggalkan di sini untuk keringkasan. Langkah-langkah teras diringkaskan di bawah.) Preprocessing: Pecahkan data ke dalam latihan dan ujian set, skala menggunakan MinMaxScaler , dan membentuk semula input model.

Model Gru: Membina dan melatih model GRU dengan seni bina yang sama. src = "https://img.php.cn/upload/article/000/000/000/174165794996336.jpg" alt = "tutorial rangkaian saraf berulang (rnn)"/>

src = "https://img.php.cn/upload/article/000/000/000/174165795014528.jpg" alt = "tutorial rangkaian saraf berulang (rnn) pemahaman temporal. Tutorial ini memberikan pemahaman asas tentang RNN, batasan mereka, dan penyelesaian yang ditawarkan oleh seni bina canggih seperti LSTM dan GRU. Projek ini menunjukkan permohonan LSTM dan GRU untuk ramalan harga saham, menonjolkan prestasi unggul Gru dalam kes tertentu ini. Projek Lengkap boleh didapati di ruang kerja DataCamp. https://www.php.cn/link/8708107b2ff5de15d0244471ae041fdb dengan pautan sebenar ke kursus yang berkaitan. URL imej dianggap betul dan boleh diakses.

Atas ialah kandungan terperinci Tutorial Rangkaian Neural Berulang (RNN). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!