本文介绍了循环神经网络（RNN）及其变体LSTM在计算机视觉中的应用，如图像标注。RNN能处理序列数据，而LSTM通过其特殊的门控机制避免了梯度消失问题，提升了模型性能。LSTM包含输入、遗忘和输出门，以更精细的方式控制信息流动。总结中提到，RNN简单但可能存在梯度问题，而LSTM通过加法操作改善了这一状况。
循环神经网络
循环神经网络：Recurrent Nerual Network，简称RNN。
RNN可以有很多种结构，包括一对一的Vanilla网络，一对多的图像字幕，多对一的情感分类（处理一定数量的按顺序排列的词，然后试着把句子里的词，按正面和负面情感分类），多对多的机器翻译（将一个序列翻译成另一个序列）、视频分类。
RNN例子
RN有其自己内部的状态，但是在每个时间点接收内容，然后结合函数来修改自己的状态，也就是说影响RNN状态的因素不止有自己的状态还有接受内容。
可以将RNN的状态表达成这样一个函数：
其中
表示RNN在t时刻的状态，
最低0.47元/天 解锁文章
扫一扫
639
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
