Закрытый рекуррентный блок (ГРУ)

Автор: Roger Morrison
Дата создания: 27 Сентябрь 2021
Дата обновления: 21 Июнь 2024
Anonim
Python Tutorial: Understanding sequential models
Видео: Python Tutorial: Understanding sequential models

Содержание

Определение - Что означает Gated Recurrent Unit (GRU)?

Закрытый рекуррентный блок (GRU) является частью конкретной модели рекуррентной нейронной сети, которая намеревается использовать соединения через последовательность узлов для выполнения задач машинного обучения, связанных с памятью и кластеризацией, например, в распознавании речи.Рекуррентные блоки Gated помогают регулировать входные веса нейронной сети для решения проблемы исчезающего градиента, которая является общей проблемой с рекуррентными нейронными сетями.


Введение в Microsoft Azure и Microsoft Cloud | Из этого руководства вы узнаете, что такое облачные вычисления и как Microsoft Azure может помочь вам перенести и запустить свой бизнес из облака.

Техопедия рассказывает о Gated Recurrent Unit (GRU)

В качестве уточнения общей рекуррентной структуры нейронной сети стробированные рекуррентные блоки имеют то, что называется шлюзом обновления и шлюзом сброса. Используя эти два вектора, модель уточняет выходные данные, управляя потоком информации через модель. Как и другие виды рекуррентных сетевых моделей, модели со стробированными рекуррентными модулями могут сохранять информацию в течение определенного периода времени, поэтому один из самых простых способов описания этих типов технологий заключается в том, что они представляют собой нейросетевой тип, ориентированный на память. , Напротив, другие типы нейронных сетей без стробируемых рекуррентных единиц часто не способны сохранять информацию.


В дополнение к распознаванию речи, модели нейронной сети, использующие стробированные рекуррентные единицы, могут использоваться для исследования генома человека, анализа почерка и многого другого. Некоторые из этих инновационных сетей используются для анализа фондового рынка и работы правительства. Многие из них используют моделируемую способность машин запоминать информацию.