Sel RNN Asas
Bawa keadaan tersembunyi merentasi langkah.
Sel RNN Asas ialah pelajaran Deep Learning Academy percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Deep Learning Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Perkara yang Dilakukan oleh Sel
Sel RNN ialah enjin kecil yang berjalan pada setiap langkah masa. Anda memberikannya satu input dan ingatan lama, lalu sel itu mengembalikan ingatan baharu.
Dua Input bagi Setiap Langkah
Pada setiap langkah, sel menerima dua perkara: input semasa x dan keadaan tersembunyi sebelumnya. Sel itu mencampurkan kedua-duanya menjadi keadaan tersembunyi yang baharu.
Formula Teras
Sel biasa mengira jumlah berpemberat bagi input dan ingatan, kemudian memampatkannya. Satu baris itu merupakan teras RNN.
h_t = tanh(W_x @ x_t + W_h @ h_prev + b)Mengapa tanh?
Pengaktifan tanh mengekalkan keadaan tersembunyi antara -1 dan 1, supaya nilai ingatan kekal stabil dan tidak menjadi terlalu besar selepas banyak langkah.
Dua Matriks Pemberat
Satu matriks W_x membaca input baharu; satu lagi, W_h, membaca ingatan lama. Sel itu mempelajari kedua-duanya untuk menentukan perkara yang perlu dikekalkan dan perkara yang perlu ditambah.
Keadaan Tersembunyi Awal
Sebelum langkah pertama, belum ada ingatan, jadi keadaan tersembunyi bermula sebagai vektor zeros dan diisi apabila jujukan mengalir melaluinya.
h0 = torch.zeros(hidden_size)Menguraikan Mengikut Masa
Bayangkan sel itu disalin sekali bagi setiap langkah, dengan ingatan dihantar sepanjang rangkaian. Pandangan ini dipanggil penguraian rangkaian mengikut masa.
Output daripada Ingatan
Memerlukan ramalan pada sesuatu langkah? Hantar keadaan tersembunyi langkah itu melalui lapisan output kecil untuk mendapatkan logit atau nilai.
y_t = W_y @ h_t + b_yGunakannya dalam PyTorch
PyTorch menyediakan nn.RNN supaya anda tidak perlu menulis gelung secara manual. Tetapkan saiz input dan saiz tersembunyi, kemudian masukkan jujukan dalam kumpulan.
rnn = nn.RNN(input_size=10, hidden_size=20)Output dan Keadaan Akhir
Memanggil lapisan itu mengembalikan dua perkara: output pada setiap langkah dan keadaan tersembunyi akhir, yang berguna untuk mengelaskan keseluruhan jujukan.
out, h_n = rnn(x)Cabaran
RNN biasa berfungsi, tetapi ingatannya cepat pudar bagi jujukan yang panjang. Kelemahan ini membuka jalan kepada sel berpagar seperti LSTM.
Semakan Pantas
Apakah dua perkara yang diterima oleh sel RNN biasa sebagai input pada setiap langkah?
Imbas Kembali
Sel biasa menggabungkan input dan ingatan lama menggunakan tanh untuk menghasilkan keadaan tersembunyi baharu, berulang langkah demi langkah sepanjang jujukan. ✅
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Sel RNN Asas” percuma?
Ya — teks penuh “Sel RNN Asas” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Deep Learning Academy, tingkat taraf kepada CoddyKit PRO. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Sel RNN Asas”?
Bawa keadaan tersembunyi merentasi langkah. Anda berlatih Deep Learning Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Deep Learning Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Deep Learning Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.
Berapa lamakah pelajaran “Sel RNN Asas” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Mengapa Jujukan Memerlukan Ingatan
- Sel RNN Asas
- Get LSTM dan GRU
- Padatkan Jujukan dan Kendalikan Padding