循环神经网络(RNN)
对于循环神经网络,网上的解释都是按照时间线进行的:
图片来自网络
就个人而言,我觉得这很复杂。然后,有人用下图解释了复杂性:
图片来自网络
看起来很酷。
实际上,RNN 并没有那么复杂。下面,本文将从“序列移动,网络移动”的角度展示循环神经网络的前向传播,并以前馈神经网络作为控制。那么,双向循环神经网络的前向传播也从“序列动,网络不动”的角度得到了清晰的论证。
RNN与前馈神经网络对比
循环神经网络(RNN) | 前馈神经网络 | |
---|---|---|
网络简图 | ||
输入 | 时间序列: | 非时间序列: |
前向传播(不考虑偏差,是激活函数)
(1)前馈神经网络:
(2)循环神经网络:
的元素依次输入,计算
get:
其次是前馈网络:
output:
就这么简单,举两个例子。
Pytorch实现
序列到类别
文章出处登录后可见!
已经登录?立即刷新