知识卡片
RNN的记忆与状态机制
循环神经网络(RNN)是专门处理序列数据的网络,广泛用于语音识别、手写识别、机器翻译,也常与 CNN 配合处理视觉问题。
相比基础网络只在层与层之间全连接、同层节点无连接,RNN 的最大不同是:网络会对前面的信息进行记忆并参与当前输出的计算,隐藏层节点之间有了连接,隐藏层输入同时包含当前时刻输入层的输出和上一时刻隐藏层的输出。
把结构展开:X 是输入向量,S 是隐藏层向量(维度等于隐藏节点数),O 是输出向量,U 是输入到隐藏的权重,V 是隐藏到输出的权重;再增加 W 模块就变成 RNN。W 是“记忆控制者”,负责用上一次隐藏层的值作为这一次输入的权重。在 t 时刻,隐藏值 S_t 不仅取决于 Xt,还取决于 S{t-1},于是两个状态建立联系,当前输出能影响后续许多个输出,使结果反映序列特征,这就是“状态即记忆”。
用途:理解语言模型中“当前词依赖前面词”的实现。边界:记忆依赖 W 的循环传递,跨度大时会被削弱。迁移启发:给系统加一个可传递的“状态”,就能让历史参与当前决策。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 自然语言处理与循环神经网络 12.2.2 循环神经网络登场 · 查看原书依据
RNN最大的不同之处在于,网络会对前面的信息进行记忆并参与到当前输出的计算中,隐藏层之间的节点不再是无连接的,且隐藏层的输入不仅包括当前时刻输入层的输出,还包括上一时刻隐藏层的输出 。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第12章《自然语言处理与循环神经网络》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00017.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文说明隐藏层输入含上一时刻输出,且 S_t 取决于 S_{t-1},并把状态理解为记忆,支撑“RNN 用状态记忆刻画序列前后关联”的结论。
- 原始内容:RNN最大的不同之处在于,网络会对前面的信息进行记忆并参与到当前输出的计算中,隐藏层之间的节点不再是无连接的,且隐藏层的输入不仅包括当前时刻输入层的输出,还包括上一时刻隐藏层的输出 。