原书出处
深度学习
10 第10章 序列建模:循环和递归网络
huber,2005;Graves et al. ,2013)以及生物信息学(Baldi et al. ,1999)。
顾名思义,双向RNN结合时间上从序列起点开始移动的RNN和另一个时间上从序列末尾开始移动的RNN。图10.11展示了典型的双向RNN,其中 h (t) 代表通过时间向前移动的子RNN的状态, g (t) 代表通过时间向后移动的子RNN的状态。
这允许输出单元 o (t) 能够计算同时依赖于过去和未来且对时刻t的输入值最敏感的表示,而不必指定t周围固定大小的窗口(
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深度学习/_epub-src/text/part0004.html
EPUB SHA-256:30b05f447b47f121324499dd200696e34be257d5cd4c4b753541b42f40a94639