شبکه عصبی بازگشتی شبک های (Grid Long Short-Term Memory - Grid LSTM)، در ریاضیات (Mathematics)

انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :

انواع شبکه های عصبی (Neural Networks)، در ریاضیات (Mathematics)

شبکه عصبی بازگشتی شبک های (Grid Long Short-Term Memory - Grid LSTM) :

Grid LSTM (شبکه LSTM شبکه ای) توسط کالچبرنر و همکاران در سال ۲۰۱۵ معرفی شد. این معماری، LSTM را به ابعاد چندگانه تعمیم می دهد. در یک شبکه Grid LSTM، نرون ها در یک شبکه d-بعدی مرتب شده اند و هر نرون دارای اتصالات بازگشتی در هر بعد است. به عنوان مثال، در حالت دوبعدی (مثلا برای پردازش همزمان توالی و عمق)، هر سلول دو حالت پنهان دارد: یکی در بعد زمان و دیگری در بعد عمق (لایه).

فرمول ها شبیه LSTM است، با این تفاوت که هر بعد گیت های مخصوص خود را دارد. برای بعد k، ورودی شامل حالت پنهان از بعد k در گام قبلی و همچنین حالت های پنهان از ابعاد دیگر در گام فعلی است. این اجازه می دهد اطلاعات در چندین جهت جریان یابد.

مزایا: قابلیت مدل سازی وابستگی ها در چندین بعد (مانند زمان و مکان در ویدئو، یا زمان و عمق در شبکه های بازگشتی عمیق)، انعطاف پذیری بالا. کاربردها: پردازش ویدئو (بعد مکان و زمان)، مدل سازی الگوریتم ها، شبکه های بازگشتی بسیار عمیق.

Grid LSTM می تواند به عنوان یک جایگزین برای LSTMهای انباشته شده (stacked LSTM) دیده شود، اما با اتصالات غنی تر. با این حال، پیچیدگی محاسباتی بالایی دارد.

دسته بندی شبکه های عصبی (Neural Networks)، در ریاضیات (Mathematics)

نویسنده علیرضا گلمکانی

شماره کلید 14374

گزینه ها

به اشتراک گذاری (Share) در شبکه های اجتماعی

FaceBook Twitter Digg Reddit LinkedIn Pinterest StumbleUpon

نظرات 0 0 0

ارسال نظر جدید (بدون نیاز به عضو بودن در وب سایت)

*** نام تو کلید هر چه بستند ***

کپی برداری سایر وب سایت ها از محتوای آموزشی کلیدستان ممنوع می باشد (بیشتر بدانید)