sorodni izrazi in sinonimi v sodobni slovenščini, hrvaščini in srbščini
Podobnost besed in fraz med rezultati je odvisna od tega, kolikokrat se beseda
ali fraza pojavi v podobnem stavčnem kontekstu kot "rnn".
Podobni izrazi in sinonimi za
Kliknite za poizvedbo
Pogosto skupaj z
Primeri iz korpusa
Korpus Common Crawl
Common Crawl je korpus spletnih strani
RNN učimo tako, da mrežo časovno razvijemo in uporabimo "vzvratno popravljanje napake".
RNN uporablja povratne povezave za obdelavo sekvenčnih podatkov.
RNN so pogosto uporabljene za analizo časovnih vrst, saj lahko izkoristijo odvisnost med zaporednimi elementi.
RNN predstavljajo družino nevronskih mrež za obdelavo zaporednih podatkov, kot so sekvence genomskega zapisa, govor, besedila in časovne vrste.
RNN obdeluje zaporedne podatke korak za korakom tako, da na izhod enega koraka vplivajo tako vhod tega koraka, kot izhodi prejšnjih korakov.
RNN lahko istočasno vzame sekvenco vhodov in producira sekvenco izhodov.
RNN je zelo podobna navadni umetni nevronski mreži.
Nato razpošlje informacijo o novem vozlišču vsem poznanim vozliščem s sporočilom rNN.
RNN uporablja svoj notranji pomnilnik , da se uči iz predhodnih izkušenj , tako da dovoli zanke od izhoda do vhodnih vozlišč .
RNN so predlagali v različnih arhitekturah , vključno s popolnoma povezanim , rekurzivnim , dolgoročnim spominom itd.
RNN je problematična zaradi izginjajočega gradienta in neučinkovitosti modeliranja dolgih zaporednih podatkov [48].
RNN arhitektura lahko izkoristi vse razpoložljive vhodne podatke do trenutnega časa [11].
RNN dandanes poganjajo večino strojnih prevajalnikov in jezikovnih tehnologij 14 .
V primerjavi z arhitekturo RNN vektorji v tem primeru tečejo hkrati skozi sklopa kodirnika in dekodirnika, zaradi česar jih lahko izračunamo vzporedno.
Rekurentna nevronska mreža (angl. recurrent neural networks, RNN) je vrsta umetne nevronske mreže, ki se uporablja za obdelavo zaporednih ali časovnih podatkov.
Razlikujejo se po tem, da imajo interno skrito stanje (angl. hidden state), ki se posodobi vsakič, ko RNN prebere novi vhodni podatek.
Poleg tega RNN ne morejo zajeti dolgotrajnih odvisnosti v vhodnih zaporedjih, to je odvisnosti med koraki, ki so po času daleč narazen.
Uporabila pa sem tudi model RNN, to je vrsta nevronske mreže, ki je prilagojena za delo s podatki z zaporedno strukturo.
Mreže RNN delujejo v strogem vrstnem redu od leve proti desni ali od desne proti levi, zato niso zmožne vzporednega učenja.
Učenje RNN je podobno učenju navadnih nevronskih mrež, saj se prav tako uporablja algoritem za vzvratno razširjanje z manjšo razliko.