Что такое рекуррентные нейронные сети?

Рекуррентная нейронная сеть — это тип нейронной сети, в котором существует связь между узлами во временной последовательности. Эта связь является связью ориентированного графа. Под временными мы подразумеваем данные, которые изменяются во времени.

Пример RNN — данные временных рядов получают информацию о ценах на акции, которые меняются со временем, показаниях сенсорных технологий, записях медицинских доменов и т. д. Эти рекуррентные нейронные сети используют свое внутреннее состояние или память для обработки последовательности входных данных. Такой ввод зависит от предыдущего ввода. Следовательно, существует связь между входными последовательностями. Поэтому мы используем их в таких областях, как обработка естественного языка и распознавание речи.

Почему РНН?

Традиционным нейронным сетям не хватает возможности обрабатывать будущие входные данные на основе тех, что были в прошлом. Например, традиционная нейронная сеть не сможет предсказать следующее слово в шаблоне последовательности на основе результатов предыдущих последовательностей, но, как мы знаем, рекуррентная нейронная сеть (RNN) определенно может. Рекуррентные нейронные сети, как следует из названия, являются рекуррентными. наконец, они выполняются в виде циклов, позволяющих сохранять эту информацию.

Применения рекуррентных нейронных сетей

Это самая удивительная часть нашего учебника по рекуррентным нейронным сетям. Ниже приведены некоторые из потрясающих приложений RNN, взгляните —

1. Машинный перевод

Мы используем рекуррентные нейронные сети в механизмах перевода для перевода текста с одного языка на другой. Они могут сделать это с помощью комбинации других моделей, таких как LSTM.

2. Распознавание речи

Рекуррентные нейронные сети заменили традиционные модели распознавания речи, в которых использовались скрытые марковские модели. Поскольку мы знаем, что рекуррентные нейронные сети вместе с LSTM выглядят гораздо лучше, так что мы можем классифицировать речи и преобразовывать их в текст, слова или предложения без потери контекста.

3. Автоматический тегировщик изображений

Рекуррентная нейронная сеть в сочетании с CNN (Convolution Neural Networks) сможет обнаруживать картинки или изображения и предоставлять их информацию или описание в виде тегов. Например, изображение лисы, перепрыгивающей через забор, лучше объяснить с помощью RNN.

4. Анализ настроений

Чтобы понять настроение пользователя, мы используем анализ настроений, чтобы определить положительность, отрицательность или нейтральность предложения. Следовательно, RNN лучше всего подходят для обработки последовательных данных, чтобы найти смысл предложения.