Terokai konsep, perbezaan, kebaikan dan keburukan RNN, LSTM dan GRU
Dalam data siri masa, terdapat kebergantungan antara pemerhatian, jadi mereka tidak bebas antara satu sama lain. Walau bagaimanapun, rangkaian saraf tradisional menganggap setiap pemerhatian sebagai bebas, yang mengehadkan keupayaan model untuk memodelkan data siri masa. Untuk menyelesaikan masalah ini, Rangkaian Neural Berulang (RNN) telah diperkenalkan, yang memperkenalkan konsep ingatan untuk menangkap ciri dinamik data siri masa dengan mewujudkan kebergantungan antara titik data dalam rangkaian. Melalui sambungan berulang, RNN boleh menghantar maklumat sebelumnya ke dalam pemerhatian semasa untuk meramalkan nilai masa hadapan dengan lebih baik. Ini menjadikan RNN alat yang berkuasa untuk tugasan yang melibatkan data siri masa.
Tetapi bagaimanakah RNN mencapai ingatan seperti ini?
RNN merealisasikan ingatan melalui gelung maklum balas dalam rangkaian saraf, yang merupakan perbezaan utama antara RNN dan rangkaian neural tradisional. Gelung maklum balas membenarkan maklumat dihantar dalam lapisan, manakala rangkaian saraf suapan hadapan mempunyai maklumat yang dihantar hanya antara lapisan. Oleh itu, terdapat pelbagai jenis RNN:
- Recurrent Neural Network (RNN)
- Long Short-Term Memory Network (LSTM)
- Gated Recurrent Unit Network (GRU)
Artikel ini akan memperkenalkan RNN , LSTM Konsep, persamaan dan perbezaan antara GRU dan GRU, serta beberapa kelebihan dan kekurangannya.
Recurrent Neural Network (RNN)
Melalui gelung maklum balas, output unit RNN juga digunakan sebagai input oleh unit yang sama. Oleh itu, setiap RNN mempunyai dua input: masa lalu dan sekarang. Menggunakan maklumat lepas mencipta ingatan jangka pendek.
Untuk pemahaman yang lebih baik, gelung maklum balas unit RNN boleh dikembangkan. Panjang sel yang dikembangkan adalah sama dengan bilangan langkah masa urutan input.
Anda boleh melihat bagaimana pemerhatian lalu dilalui melalui rangkaian terungkap sebagai keadaan tersembunyi. Dalam setiap sel, input daripada langkah masa semasa, keadaan tersembunyi daripada langkah masa sebelumnya dan pincang digabungkan dan kemudian dikekang melalui fungsi pengaktifan untuk menentukan keadaan tersembunyi pada langkah masa semasa.
RNN boleh digunakan untuk ramalan satu-dengan-satu, satu-ke-banyak, ramai-ke-satu dan banyak-ke-banyak.
Kelebihan RNN
Berkat ingatan jangka pendeknya, RNN boleh memproses data berjujukan dan mengenal pasti corak dalam data sejarah. Selain itu, RNN mampu mengendalikan input dengan panjang yang berbeza.
Kelemahan RNN
RNN mengalami masalah penurunan kecerunan yang hilang. Dalam kes ini, kecerunan yang digunakan untuk mengemas kini pemberat semasa perambatan belakang menjadi sangat kecil. Mendarab pemberat dengan kecerunan menghampiri sifar menghalang rangkaian daripada mempelajari pemberat baharu. Menghentikan pembelajaran menyebabkan RNN melupakan apa yang telah dilihatnya dalam urutan yang lebih panjang. Masalah penurunan kecerunan yang lenyap meningkat dengan bilangan lapisan rangkaian.
Memandangkan RNN hanya mengekalkan maklumat terkini, model ini menghadapi masalah apabila mempertimbangkan pemerhatian lepas. Oleh itu, RNN hanya mempunyai ingatan jangka pendek dan tiada ingatan jangka panjang.
Di samping itu, memandangkan RNN menggunakan perambatan belakang untuk mengemas kini pemberat dalam masa, rangkaian juga akan mengalami letupan kecerunan, dan jika fungsi pengaktifan ReLu digunakan, ia akan terjejas oleh unit ReLu yang mati. Yang pertama mungkin menyebabkan masalah penumpuan, manakala yang kedua mungkin menyebabkan pembelajaran terhenti.
Long Short-Term Memory (LSTM)
LSTM ialah sejenis RNN yang istimewa, yang menyelesaikan masalah kehilangan kecerunan RNN. Kunci kepada LSTM ialah keadaan unit, yang dihantar dari input unit ke output. Keadaan sel membenarkan maklumat mengalir sepanjang keseluruhan rantai dengan hanya tindakan linear yang lebih kecil melalui tiga get. Oleh itu, keadaan sel mewakili ingatan jangka panjang LSTM. Ketiga-tiga get ini dipanggil get forget, get input dan gate output masing-masing. Gerbang ini bertindak sebagai penapis dan mengawal aliran maklumat dan menentukan maklumat yang disimpan atau diabaikan. Pintu lupa menentukan berapa banyak ingatan jangka panjang yang perlu dikekalkan. Untuk tujuan ini, fungsi sigmoid digunakan untuk mengambil kira kepentingan keadaan sel. Output berubah antara 0 dan 1, dengan 0 tidak mengekalkan maklumat dan 1 mengekalkan semua maklumat tentang keadaan sel. Ger masuk menentukan maklumat yang ditambahkan pada keadaan sel dan dengan itu pada ingatan jangka panjang. Ger keluar menentukan bahagian mana keadaan sel membina output. Oleh itu, pintu keluar bertanggungjawab untuk ingatan jangka pendek. Secara amnya, negeri dikemas kini melalui get forget dan get input. Kelebihan LSTM Kelebihan LSTM adalah serupa dengan RNN, kelebihan utamanya ialah ia boleh menangkap corak jujukan jangka panjang dan jangka pendek. Oleh itu, ia adalah RNN yang paling biasa digunakan. Kelemahan LSTM Disebabkan struktur yang lebih kompleks, kos pengiraan LSTM lebih tinggi, menyebabkan masa latihan lebih lama. Memandangkan LSTM juga menggunakan algoritma perambatan belakang temporal untuk mengemas kini pemberat, LSTM mempunyai kelemahan perambatan balik, seperti unit ReLu mati, letupan kecerunan, dsb. Gated Recurrent Unit (GRU) Sama seperti LSTM, GRU menyelesaikan masalah kecerunan RNN ringkas yang hilang. Walau bagaimanapun, perbezaan daripada LSTM ialah GRU menggunakan lebih sedikit get dan tidak mempunyai memori dalaman yang berasingan, iaitu keadaan sel. Oleh itu, GRU bergantung sepenuhnya pada keadaan tersembunyi sebagai ingatan, yang membawa kepada seni bina yang lebih mudah. Pintu tetapan semula bertanggungjawab untuk ingatan jangka pendek kerana ia menentukan berapa banyak maklumat masa lalu yang dikekalkan dan diabaikan. Pintu kemas kini bertanggungjawab untuk ingatan jangka panjang dan setanding dengan get lupa LSTM. 🎜Keadaan tersembunyi langkah masa semasa ditentukan berdasarkan dua langkah:
Pertama, tentukan keadaan tersembunyi calon. Keadaan calon ialah gabungan input semasa dan keadaan tersembunyi langkah masa sebelumnya dan fungsi pengaktifan. Pengaruh keadaan tersembunyi sebelumnya pada keadaan tersembunyi calon dikawal oleh get set semula.
Langkah kedua ialah menggabungkan keadaan tersembunyi calon dengan keadaan tersembunyi langkah masa sebelumnya untuk menjana keadaan tersembunyi semasa. Cara keadaan tersembunyi sebelumnya dan keadaan tersembunyi calon digabungkan ditentukan oleh get kemas kini.
Jika nilai yang diberikan oleh get kemas kini ialah 0, keadaan tersembunyi sebelumnya diabaikan sepenuhnya dan keadaan tersembunyi semasa adalah sama dengan keadaan tersembunyi calon. Jika gerbang kemas kini memberikan nilai 1, sebaliknya adalah benar.
Kelebihan GRU
Disebabkan seni binanya yang lebih ringkas berbanding LSTM, GRU lebih cekap dari segi pengiraan, lebih pantas untuk dilatih dan memerlukan kurang memori.
Selain itu, GRU telah terbukti lebih cekap untuk jujukan yang lebih kecil.
Kelemahan GRU
Oleh kerana GRU tidak mempunyai keadaan tersembunyi dan keadaan sel yang berasingan, mereka mungkin tidak dapat mengambil kira pemerhatian lepas seperti LSTM.
Serupa dengan RNN dan LSTM, GRU juga mungkin mengalami kekurangan perambatan belakang untuk mengemas kini pemberat dalam masa, iaitu unit ReLu mati dan letupan kecerunan.
Atas ialah kandungan terperinci Terokai konsep, perbezaan, kebaikan dan keburukan RNN, LSTM dan GRU. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Dalam dunia pembangunan bahagian hadapan, VSCode telah menjadi alat pilihan untuk banyak pembangun dengan fungsi yang berkuasa dan ekosistem pemalam yang kaya. Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, pembantu kod AI pada VSCode telah muncul, meningkatkan kecekapan pengekodan pembangun. Pembantu kod AI pada VSCode telah muncul seperti cendawan selepas hujan, meningkatkan kecekapan pengekodan pembangun. Ia menggunakan teknologi kecerdasan buatan untuk menganalisis kod secara bijak dan menyediakan penyiapan kod yang tepat, pembetulan ralat automatik, semakan tatabahasa dan fungsi lain, yang mengurangkan kesilapan pembangun dan kerja manual yang membosankan semasa proses pengekodan. Hari ini, saya akan mengesyorkan 12 pembantu kod AI pembangunan bahagian hadapan VSCode untuk membantu anda dalam perjalanan pengaturcaraan anda.
