深度学习(DL)-- BRNN双向循环神经网络算法详解
2019-06-12 22:43
906 查看
1、结构
RNN和LSTM都只能依据之前时刻的时序信息来预测下一时刻的输出,但在有些问题中,当前时刻的输出不仅和之前的状态有关,还可能和未来的状态有关系。比如预测一句话中缺失的单词不仅需要根据前文来判断,还需要考虑它后面的内容,真正做到基于上下文判断。BRNN有两个RNN上下叠加在一起组成的,输出由这两个RNN的状态共同决定。BRNN结构图如图所示:
可以由下列式子表示,
2、双向循环网络如何训练
- 前向传播
1. 沿着时刻1到时刻T正向计算一遍,得到并保存每个时刻向前隐含层的输出。
2. 沿着时刻T到时刻1反向计算一遍,得到并保存每个时刻向后隐含层的输出。
3. 正向和反向都计算完所有输入时刻后,每个时刻根据向前向后隐含层得到最终输出。
- 反向传播
1. 计算所有时刻输出层的δ项。
2. 根据所有输出层的δ项,使用 BPTT 算法更新向前层。
3. 根据所有输出层的δ项,使用 BPTT 算法更新向后层。
相关文章推荐
- 双向长短时记忆循环神经网络详解(Bi-directional LSTM RNN)
- 双向长短时记忆循环神经网络详解(Bi-directional LSTM RNN)
- 双向长短时记忆循环神经网络详解(Bi-directional LSTM RNN)
- 双向长短时记忆循环神经网络详解(Bi-directional LSTM RNN)
- 机器学习与深度学习系列连载: 第二部分 深度学习(十五)循环神经网络 3(Gated RNN - GRU)
- TensorFlow实现经典深度学习网络(7):TensorFlow实现双向长短时记忆循环神经网络
- DL9-循环神经网络RNN实现
- 神经进化:一种不一样的深度学习——通过进化算法来探求神经网络的进化
- arxiv | 技术概述深度学习:详解前馈、卷积和循环神经网络
- 循环神经网络(RNN) 基础详解
- 神经网络反向传播算法公式推导详解
- 深度学习循环神经网络
- RNN循环神经网络详解与源码实现
- 机器学习与深度学习系列连载: 第二部分 深度学习(十三)循环神经网络 1(Recurre Neural Network 基本概念 )
- 双向循环神经网络tensorflow实现
- RNN(循环神经网络)详解
- 神经网络及反向传播(bp)算法详解
- 【吴恩达deeplearning.ai】深度学习(9):循环神经网络
- 三种循环神经网络(RNN)算法的实现(From scratch、Theano、Keras)
- 机器学习与深度学习系列连载: 第二部分 深度学习(十六)循环神经网络 4(BiDirectional RNN, Highway network, Grid-LSTM)