«lstm» etiketlenmiş sorular

RNN'lerin (ve özellikle LSTM üniteleri ile) nasıl çalıştığı hakkında temel bilgiye sahibim. Değerlerin akışını düzenleyen bir hücre ve birkaç kapı olan bir LSTM biriminin mimarisi hakkında resimsel bir fikrim var. Bununla birlikte, görünüşe göre, LSTM'nin geleneksel bir RNN zaman içinde geri yayılım kullanarak, eğitim sırasında ortaya çıkan "yok olan ve …

13 neural-networks  lstm  rnn  backpropagation 

Doğal bir dil işleme (NLP) görevi için sözcükler için gömme olarak genellikle word2vec vektörleri kullanılır. Bununla birlikte, word2vec vektörleri tarafından yakalanmayan birçok bilinmeyen kelime olabilir, çünkü bu kelimeler eğitim verilerinde yeterince sık görülmemektedir (birçok uygulama, kelimeye bir kelime eklemeden önce minimum sayıyı kullanır). Bu, özellikle kelimelerin genellikle yanlış yazıldığı Twitter'dan …

11 natural-language  word2vec  lstm  word-embeddings 

Karşılaştığım sorun zaman serisi değerlerini tahmin etmektir. Bir seferde bir seferlik serilere bakıyorum ve örneğin giriş verilerinin% 15'ine dayanarak gelecekteki değerlerini tahmin etmek istiyorum. Şimdiye kadar iki modele rastladım: LSTM (uzun kısa süreli bellek; tekrarlayan sinir ağları sınıfı) ARİMA İkisini de denedim ve onlarla ilgili bazı makaleler okudum. Şimdi ikisini …

10 time-series  forecasting  references  arima  lstm 

RNN'lerin mimarisini anlamaya çalışıyorum. Çok yardımcı olan bu öğreticiyi buldum: http://colah.github.io/posts/2015-08-Anlama-LSTMs/ Özellikle bu görüntü: Bu, ileri beslemeli bir ağa nasıl uyar? Bu görüntü her katmandaki başka bir düğüm mü?

10 neural-networks  lstm 

Diğerleri olduğundan, ilgili kaynaklar buldum burada ve burada LSTM hücrelerini anlamak için gayet yararlı olduğu. Değerlerin nasıl aktığını ve güncellendiğini anladığımdan eminim ve söz konusu "gözetleme deliği bağlantılarını" vb. Benim örnekte, her adımda uzunlukta bir giriş vektörü vardır ive uzunluktaki bir çıkış vektörü oburada, o < i. Her iki sayfanın …

9 machine-learning  neural-networks  lstm  rnn 

Aşağıdaki 1 boyutlu diziyi varsayalım: A, B, C, Z, B, B, #, C, C, C, V, $, W, A, % ... A, B, C, ..Buradaki mektuplar 'sıradan' olayları temsil eder. #, $, %, ...Buradaki semboller 'özel' olayları temsil eder Tüm olaylar arasındaki zamansal aralık eşit değildir (saniyeler, günler arası) geçmişte …

9 time-series  deep-learning  rare-events  lstm  sequential-pattern-mining