【LSTM】理解LSTM

文章探讨了人类思维的连续性,并指出传统的神经网络无法利用先前的信息来处理时间序列数据。递归神经网络(RNNs),特别是长短期记忆网络(LSTMs),通过循环结构解决了这一问题,允许信息在时间步之间传递,从而在处理如文本理解和电影事件分类等任务时更有效。
摘要由CSDN通过智能技术生成

原文:https://colah.github.io/posts/2015-08-Understanding-LSTMs/

递归神经网路

Humans don;t start their thinking from scratch every second.
人类都不是每一秒都从零开始思考。

  • from scratch 从零开始

当你读到这篇文章时,你理解每个单词时,会基于你对前面单词的理解。你不能抛开所有的事情来从头开始思考,你的思想是连续的。

传统的神经网络并不能做到这一点,这似乎是一个主要的缺点。例如,想象一下,你想在一个电影中,在每个时间点分类事件发生的类别,传统的神经网络可能无法做到使用前面发生的时间来推理后面时间的发生。

递归神经网络解决了这个问题。他们的网络有一个循环,允许信息一直存在。

在这里插入图片描述
在上图中,一块神经网络, A, 有一个输入 x t x_t xt 和输出一个值 h t h_t ht. 循环允许信息允许从一个步骤传递到下一个步骤。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值