Να προσομοιώσεις μια αναδρομική κρυφή κατάσταση και να εξηγήσεις τι προσπαθούν να διατηρήσουν οι πύλες ενός LSTM.
Απόδειξη επιτυχίας: εξηγείς «Ακολουθίες, RNN και μνήμη LSTM», εκτελείς «Το δελτίο που ταξιδεύει» και αναφέρεις το όριο της αναλογίας.
Ο Eliott διαβάζει «Το σεντούκι είναι κοντά στον φάρο. Αργότερα, το ανοίγουμε.» Για να συνδέσει το «το» με το σεντούκι, ένα ακολουθιακό μοντέλο πρέπει να μεταφέρει πλαίσιο. Ένα RNN (αναδρομικό δίκτυο) ενημερώνει μια κρυφή κατάσταση token με token ξαναχρησιμοποιώντας τις ίδιες παραμέτρους. Σε μεγάλες αποστάσεις, οι κλίσεις μπορούν να εξαφανιστούν ή να εκραγούν. Οι πύλες ενός LSTM μαθαίνουν τότε να ξεχνούν, να γράφουν και να εκθέτουν ένα μέρος μιας κατάστασης κυττάρου.
Προεπισκόπηση — η συνέχεια του μαθήματος είναι διαθέσιμη στους εγγεγραμμένους.
Η πρόσβασή σας συνδέεται με τον λογαριασμό σας, όχι με αυτόν τον σύνδεσμο. Συνδεθείτε με το ίδιο email που χρησιμοποιήσατε στην τάξη: το μάθημά σας σας περιμένει, δεν χρειάζεται να ξαναβάλετε τον κωδικό.
ΣύνδεσηΔεν έχετε λογαριασμό; Δημιουργήστε ένανΟι πρώτες ενότητες του μαθήματος είναι σε ελεύθερη πρόσβαση. Για τη συνέχεια υπάρχουν τρεις δρόμοι: αγοράστε αυτό το μάθημα μία φορά, κάντε συνδρομή, ή εισαγάγετε τον κωδικό που δόθηκε στην τάξη.