1、循环神经网络详解(RNN)
公式：
o
(
t
)
=
s
o
f
t
m
a
x
(
h
t
⋅
w
h
y
+
b
y
)
o(t)=softmax(h_t cdot w_{hy}+b_y)
o(t)=softmax(ht⋅why+by)
h
t
=
t
a
n
h
(
h
t
−
1
⋅
w
h
h
+
x
t
⋅
w
x
h
+
b
h
)
h_t=tanh(h_{t-1} cdot w_{hh} + x_t cdot w_{xh} + b_h)
ht=tanh(ht−1⋅whh+xt⋅wxh+bh)
参数默认：
W :
w
h
h
w_{hh}
whh，h表征中间隐层记忆体维度
U :
w
x
h
w_{xh}
wxh，x为输入层embedding维度（文本->分词->词典化->填充->embedding table lookup）
V :
w
h
y
w_{hy}
why，连接隐层到输出层，比如手写数字识别，则有y=10（10分类任务）
参数量：
h
∗
h
h*h
h∗h (W :
w
h
h
w_{hh}
whh) +
x
∗
h
(
x*h (
x∗h(U :
w
x
h
w_{xh}
wxh) +
h
∗
1
h*1
h∗1(
b
h
b_h
bh) +
h
∗
y
h*y
h∗y(V :
w
h
y
w_{hy}
why) =
h
∗
(
h
+
x
+
1
+
y
)
h*(h+x+1+y)
h∗(h+x+1+y)
注意事项（容易误解的地方）
1、tanh不改变参数维度
2、softmax输出维度是y，y维度取决于实际任务
2、LSTM
3、seq2seq
Ref：
[1].LSTM理解
[2].LSTM拆分图
[3].简说Seq2Seq原理及实现
[4].Tensorflow中的Seq2Seq全家桶
最后
以上就是畅快柜子最近收集整理的关于序列网络详解的全部内容，更多相关序列网络详解内容请搜索靠谱客的其他文章。
发表评论 取消回复