lstm原文_动画展示RNN、LSTM和GRU计算过程

3564003e4a5f84d61e9ea7220e7e8ad4.png

RNN常用来处理序列式问题,本篇采用动图的方式展示RNN的计算过程。最常见的3中RNN网络结构分别为:

  • vanilla RNN
  • long short-term memory (LSTM)
  • gated recurrent units (GRU)

下面是插图中使用的各个图例的说明

e4412bd0a6c22d90ce3a74baf8fe8f16.png

NOTE:动画展示的是在某个时刻(indexed by t)RNN cell 内部的处理,示例中input size=3,hidden units =2,batch size=1。

Vanilla RNN

ca0afb442d70ee5533adfcf995a632d0.gif

ae639be860c249aeb3ac528852574be2.png
  • t--time step
  • X--input
  • h--hidden state
  • length of X--dimension of input
  • length of h--no. of hidden units

LSTM

2663d73109d2fd62775efde942d51776.gif

f9ea670fe165d9271bed853d44ad73d1.png
  • C--cell state

GRU

04ecb6439ede66fac2b4d082a3790e15.gif

6e12ef683b18353ac4f2ca8776f03514.png

本篇原文来自于:

https://towardsdatascience.com/animated-rnn-lstm-and-gru-ef124d06cf45​towardsdatascience.com

推荐大家阅读原文

  • 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