RNNLSTM学习的资料32页PPT.pptxVIP

outputlayer

inputlayer

hiddenlayer1hiddenlayer2

2023最新整理收集do

something

口为什么有BP神经网络,CN,还要RN?

传统神经网络(包括N),输入和输出都是互相

独立的。

有些任务用人工神经网络、CNN解决不了

图像上的猫和狗是分隔开的,但有些任务,

后续的输出和之前的内窒是相关的

言处理任务中,输入和输出之间不独立

“我是中国人,我的母语是

RNN引入“记忆”的概念

变更的只是输入或者memory

循环2字来源于其每个元素都执行相同的任务。

但是输出依赖于输入和“记忆”

做预测不只依赖于input,

还依赖于之前的部分信息,会把它存在memory

RNN的结构

口简单来看,把序列按时间展开

为了体现RNN的循环性,可以将多层od起来,

0每个部分看做一个ce‖,处理过程模一样

0

t+I

W

0→0→

Unfold

背景:要完成一个任务Languagemodel):一句话知道出现的若干个词情况下,

出现下一个词会出现什么。

(有一个序列,在这个序列前n个element知道情况下去推断下-个element)

是中国人

W

W

Unfold

W

W

在当前以eP的输入我

口X是时间t处的输入

是中国人

口S是时间t处的“记忆”,S=UX+WS-),f可以是tamh等

口0是时间t出的输出,比如是预测下个词的话,可能是

softmax输出的属于每个候选词的概率,0=softmax(s

口可以把隐状态S视作“记忆体”,捕捉了之前时间点上

的信息。

口输出0由当前时间及之前所有的“记忆”共同计算得到。

口很可惜,实际应用中,S并不能捕捉和保留之前所有信

息(记忆有限?)矩阵5维度容量有限,

口不同于QN,这里的RNN其实整个神经网络都共享一组参

数(U,V,w),极大减小了需要训练和预估的参数量

口图中的0在有些任务下是不存在的,比如文本情感分析,

其实只需要最后的output:结果就行

文本分类,在当前任何部分都可以做总结,输出结果,但

是不一定准确。任务是需要看完整个文本给出一个结果。

感谢阅读感谢阅读