-
讓品牌有溫度、有情感
專注品牌策劃15年
-
當(dāng)前位置：首頁(yè) > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
lstm神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)（lm bp神經(jīng)網(wǎng)絡(luò)）
發(fā)布時(shí)間：2023-04-18 16:39:05
稿源：
創(chuàng)意嶺 閱讀：
118
大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于lstm神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。
開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等
只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端
官網(wǎng)：https://ai.de1919.com。
創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008
本文目錄:
網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)（lm bp神經(jīng)網(wǎng)絡(luò)）.jpg)
一、bp神經(jīng)網(wǎng)絡(luò)和som神經(jīng)網(wǎng)絡(luò)的區(qū)別
結(jié)構(gòu)層不一樣。
1、SOM是一種比較簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，只有一層神經(jīng)網(wǎng)絡(luò)。
2、BP網(wǎng)絡(luò)具有三層結(jié)構(gòu)。
二、神經(jīng)網(wǎng)絡(luò)模型-27種神經(jīng)網(wǎng)絡(luò)模型們的簡(jiǎn)介
【1】Perceptron(P) 感知機(jī)
【1】感知機(jī)
感知機(jī)是我們知道的最簡(jiǎn)單和最古老的神經(jīng)元模型，它接收一些輸入，然后把它們加總，通過(guò)激活函數(shù)并傳遞到輸出層。
【2】Feed Forward(FF)前饋神經(jīng)網(wǎng)絡(luò)
【2】前饋神經(jīng)網(wǎng)絡(luò)
前饋神經(jīng)網(wǎng)絡(luò)（FF），這也是一個(gè)很古老的方法——這種方法起源于50年代。它的工作原理通常遵循以下規(guī)則：
1.所有節(jié)點(diǎn)都完全連接
2.激活從輸入層流向輸出，無(wú)回環(huán)
3.輸入和輸出之間有一層（隱含層）
在大多數(shù)情況下，這種類型的網(wǎng)絡(luò)使用反向傳播方法進(jìn)行訓(xùn)練。
【3】Radial Basis Network(RBF) RBF神經(jīng)網(wǎng)絡(luò)
【3】RBF神經(jīng)網(wǎng)絡(luò)
RBF 神經(jīng)網(wǎng)絡(luò)實(shí)際上是 激活函數(shù)是徑向基函數(shù) 而非邏輯函數(shù)的FF前饋神經(jīng)網(wǎng)絡(luò)（FF）。兩者之間有什么區(qū)別呢？
邏輯函數(shù)--- 將某個(gè)任意值映射到[0 ,... 1]范圍內(nèi)來(lái)，回答“是或否”問(wèn)題。適用于分類決策系統(tǒng)，但不適用于連續(xù)變量。
相反， 徑向基函數(shù)--- 能顯示“我們距離目標(biāo)有多遠(yuǎn)”。 這完美適用于函數(shù)逼近和機(jī)器控制（例如作為PID控制器的替代）。
簡(jiǎn)而言之，RBF神經(jīng)網(wǎng)絡(luò)其實(shí)就是， 具有不同激活函數(shù)和應(yīng)用方向的前饋網(wǎng)絡(luò) 。
【4】Deep Feed Forword(DFF)深度前饋神經(jīng)網(wǎng)絡(luò)
【4】DFF深度前饋神經(jīng)網(wǎng)絡(luò)
DFF深度前饋神經(jīng)網(wǎng)絡(luò)在90年代初期開(kāi)啟了深度學(xué)習(xí)的潘多拉盒子。 這些依然是前饋神經(jīng)網(wǎng)絡(luò)，但有不止一個(gè)隱含層 。那么，它到底有什么特殊性？
在訓(xùn)練傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)時(shí)，我們只向上一層傳遞了少量的誤差信息。由于堆疊更多的層次導(dǎo)致訓(xùn)練時(shí)間的指數(shù)增長(zhǎng)，使得深度前饋神經(jīng)網(wǎng)絡(luò)非常不實(shí)用。 直到00年代初，我們開(kāi)發(fā)了一系列有效的訓(xùn)練深度前饋神經(jīng)網(wǎng)絡(luò)的方法; 現(xiàn)在它們構(gòu)成了現(xiàn)代機(jī)器學(xué)習(xí)系統(tǒng)的核心 ，能實(shí)現(xiàn)前饋神經(jīng)網(wǎng)絡(luò)的功能，但效果遠(yuǎn)高于此。
【5】Recurrent Neural Network(RNN) 遞歸神經(jīng)網(wǎng)絡(luò)
【5】RNN遞歸神經(jīng)網(wǎng)絡(luò)
RNN遞歸神經(jīng)網(wǎng)絡(luò)引入不同類型的神經(jīng)元——遞歸神經(jīng)元。這種類型的第一個(gè)網(wǎng)絡(luò)被稱為約旦網(wǎng)絡(luò)（Jordan Network），在網(wǎng)絡(luò)中每個(gè)隱含神經(jīng)元會(huì)收到它自己的在固定延遲（一次或多次迭代）后的輸出。除此之外，它與普通的模糊神經(jīng)網(wǎng)絡(luò)非常相似。
當(dāng)然，它有許多變化 — 如傳遞狀態(tài)到輸入節(jié)點(diǎn)，可變延遲等，但主要思想保持不變。這種類型的神經(jīng)網(wǎng)絡(luò)主要被使用在上下文很重要的時(shí)候——即過(guò)去的迭代結(jié)果和樣本產(chǎn)生的決策會(huì)對(duì)當(dāng)前產(chǎn)生影響。最常見(jiàn)的上下文的例子是文本——一個(gè)單詞只能在前面的單詞或句子的上下文中進(jìn)行分析。
【6】Long/Short Term Memory (LSTM) 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
【6】LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)引入了一個(gè)存儲(chǔ)單元，一個(gè)特殊的單元，當(dāng)數(shù)據(jù)有時(shí)間間隔（或滯后）時(shí)可以處理數(shù)據(jù)。遞歸神經(jīng)網(wǎng)絡(luò)可以通過(guò)“記住”前十個(gè)詞來(lái)處理文本，LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)可以通過(guò)“記住”許多幀之前發(fā)生的事情處理視頻幀。 LSTM網(wǎng)絡(luò)也廣泛用于寫作和語(yǔ)音識(shí)別。
存儲(chǔ)單元實(shí)際上由一些元素組成，稱為門，它們是遞歸性的，并控制信息如何被記住和遺忘。
【7】Gated Recurrent Unit (GRU)
【7】GRU是具有不同門的LSTM
GRU是具有不同門的LSTM。
聽(tīng)起來(lái)很簡(jiǎn)單，但缺少輸出門可以更容易基于具體輸入重復(fù)多次相同的輸出，目前此模型在聲音（音樂(lè)）和語(yǔ)音合成中使用得最多。
實(shí)際上的組合雖然有點(diǎn)不同：但是所有的LSTM門都被組合成所謂的更新門(Update Gate)，并且復(fù)位門(Reset Gate)與輸入密切相關(guān)。
它們比LSTM消耗資源少，但幾乎有相同的效果。
【8】Auto Encoder (AE) 自動(dòng)編碼器
【8】AE自動(dòng)編碼器
Autoencoders自動(dòng)編碼器用于分類，聚類和特征壓縮。
當(dāng)您訓(xùn)練前饋(FF)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類時(shí)，您主要必須在Y類別中提供X個(gè)示例，并且期望Y個(gè)輸出單元格中的一個(gè)被激活。 這被稱為“監(jiān)督學(xué)習(xí)”。
另一方面，自動(dòng)編碼器可以在沒(méi)有監(jiān)督的情況下進(jìn)行訓(xùn)練。它們的結(jié)構(gòu) - 當(dāng)隱藏單元數(shù)量小于輸入單元數(shù)量（并且輸出單元數(shù)量等于輸入單元數(shù)）時(shí)，并且當(dāng)自動(dòng)編碼器被訓(xùn)練時(shí)輸出盡可能接近輸入的方式，強(qiáng)制自動(dòng)編碼器泛化數(shù)據(jù)并搜索常見(jiàn)模式。
【9】Variational AE (VAE) 變分自編碼器
【9】VAE變分自編碼器
變分自編碼器，與一般自編碼器相比，它壓縮的是概率，而不是特征。
盡管如此簡(jiǎn)單的改變，但是一般自編碼器只能回答當(dāng)“我們?nèi)绾螝w納數(shù)據(jù)？”的問(wèn)題時(shí)，變分自編碼器回答了“兩件事情之間的聯(lián)系有多強(qiáng)大？我們應(yīng)該在兩件事情之間分配誤差還是它們完全獨(dú)立的？”的問(wèn)題。
【10】Denoising AE (DAE) 降噪自動(dòng)編碼器
【10】DAE降噪自動(dòng)編碼器
雖然自動(dòng)編碼器很酷，但它們有時(shí)找不到最魯棒的特征，而只是適應(yīng)輸入數(shù)據(jù)（實(shí)際上是過(guò)擬合的一個(gè)例子）。
降噪自動(dòng)編碼器（DAE）在輸入單元上增加了一些噪聲 - 通過(guò)隨機(jī)位來(lái)改變數(shù)據(jù)，隨機(jī)切換輸入中的位，等等。通過(guò)這樣做，一個(gè)強(qiáng)制降噪自動(dòng)編碼器從一個(gè)有點(diǎn)嘈雜的輸入重構(gòu)輸出，使其更加通用，強(qiáng)制選擇更常見(jiàn)的特征。
【11】Sparse AE (SAE) 稀疏自編碼器
【11】SAE稀疏自編碼器
稀疏自編碼器（SAE）是另外一個(gè)有時(shí)候可以抽離出數(shù)據(jù)中一些隱藏分組樣試的自動(dòng)編碼的形式。結(jié)構(gòu)和AE是一樣的，但隱藏單元的數(shù)量大于輸入或輸出單元的數(shù)量。
【12】Markov Chain (MC) 馬爾科夫鏈
【12】Markov Chain (MC) 馬爾科夫鏈
馬爾可夫鏈（Markov Chain, MC）是一個(gè)比較老的圖表概念了，它的每一個(gè)端點(diǎn)都存在一種可能性。過(guò)去，我們用它來(lái)搭建像“在單詞hello之后有0.0053％的概率會(huì)出現(xiàn)dear，有0.03551%的概率出現(xiàn)you”這樣的文本結(jié)構(gòu)。
這些馬爾科夫鏈并不是典型的神經(jīng)網(wǎng)絡(luò)，它可以被用作基于概率的分類（像貝葉斯過(guò)濾），用于聚類（對(duì)某些類別而言），也被用作有限狀態(tài)機(jī)。
【13】Hopfield Network (HN) 霍普菲爾網(wǎng)絡(luò)
【13】HN霍普菲爾網(wǎng)絡(luò)
霍普菲爾網(wǎng)絡(luò)（HN）對(duì)一套有限的樣本進(jìn)行訓(xùn)練，所以它們用相同的樣本對(duì)已知樣本作出反應(yīng)。
在訓(xùn)練前，每一個(gè)樣本都作為輸入樣本，在訓(xùn)練之中作為隱藏樣本，使用過(guò)之后被用作輸出樣本。
在HN試著重構(gòu)受訓(xùn)樣本的時(shí)候，他們可以用于給輸入值降噪和修復(fù)輸入。如果給出一半圖片或數(shù)列用來(lái)學(xué)習(xí)，它們可以反饋全部樣本。
【14】Boltzmann Machine (BM) 波爾滋曼機(jī)
【14】 BM 波爾滋曼機(jī)
波爾滋曼機(jī)（BM）和HN非常相像，有些單元被標(biāo)記為輸入同時(shí)也是隱藏單元。在隱藏單元更新其狀態(tài)時(shí)，輸入單元就變成了輸出單元。（在訓(xùn)練時(shí)，BM和HN一個(gè)一個(gè)的更新單元，而非并行）。
這是第一個(gè)成功保留模擬退火方法的網(wǎng)絡(luò)拓?fù)洹?/p>
多層疊的波爾滋曼機(jī)可以用于所謂的深度信念網(wǎng)絡(luò)，深度信念網(wǎng)絡(luò)可以用作特征檢測(cè)和抽取。
【15】Restricted BM (RBM) 限制型波爾滋曼機(jī)
【15】 RBM 限制型波爾滋曼機(jī)
在結(jié)構(gòu)上，限制型波爾滋曼機(jī)（RBM）和BM很相似，但由于受限RBM被允許像FF一樣用反向傳播來(lái)訓(xùn)練（唯一的不同的是在反向傳播經(jīng)過(guò)數(shù)據(jù)之前RBM會(huì)經(jīng)過(guò)一次輸入層）。
【16】Deep Belief Network (DBN) 深度信念網(wǎng)絡(luò)
【16】DBN 深度信念網(wǎng)絡(luò)
像之前提到的那樣，深度信念網(wǎng)絡(luò)（DBN）實(shí)際上是許多波爾滋曼機(jī)（被VAE包圍）。他們能被連在一起（在一個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練另一個(gè)的時(shí)候），并且可以用已經(jīng)學(xué)習(xí)過(guò)的樣式來(lái)生成數(shù)據(jù)。
【17】Deep Convolutional Network (DCN) 深度卷積網(wǎng)絡(luò)
【17】 DCN 深度卷積網(wǎng)絡(luò)
當(dāng)今，深度卷積網(wǎng)絡(luò)（DCN）是人工神經(jīng)網(wǎng)絡(luò)之星。它具有卷積單元（或者池化層）和內(nèi)核，每一種都用以不同目的。
卷積核事實(shí)上用來(lái)處理輸入的數(shù)據(jù)，池化層是用來(lái)簡(jiǎn)化它們（大多數(shù)情況是用非線性方程，比如max），來(lái)減少不必要的特征。
他們通常被用來(lái)做圖像識(shí)別，它們?cè)趫D片的一小部分上運(yùn)行（大約20x20像素）。輸入窗口一個(gè)像素一個(gè)像素的沿著圖像滑動(dòng)。然后數(shù)據(jù)流向卷積層，卷積層形成一個(gè)漏斗（壓縮被識(shí)別的特征）。從圖像識(shí)別來(lái)講，第一層識(shí)別梯度，第二層識(shí)別線，第三層識(shí)別形狀，以此類推，直到特定的物體那一級(jí)。DFF通常被接在卷積層的末端方便未來(lái)的數(shù)據(jù)處理。
【18】Deconvolutional Network (DN) 去卷積網(wǎng)絡(luò)
【18】 DN 去卷積網(wǎng)絡(luò)
去卷積網(wǎng)絡(luò)（DN）是將DCN顛倒過(guò)來(lái)。DN能在獲取貓的圖片之后生成像（狗：0，蜥蜴：0，馬：0，貓：1）一樣的向量。DNC能在得到這個(gè)向量之后，能畫出一只貓。
【19】Deep Convolutional Inverse Graphics Network (DCIGN) 深度卷積反轉(zhuǎn)圖像網(wǎng)絡(luò)
【19】 DCIGN 深度卷積反轉(zhuǎn)圖像網(wǎng)絡(luò)
深度卷積反轉(zhuǎn)圖像網(wǎng)絡(luò)（DCIGN），長(zhǎng)得像DCN和DN粘在一起，但也不完全是這樣。
事實(shí)上，它是一個(gè)自動(dòng)編碼器，DCN和DN并不是作為兩個(gè)分開(kāi)的網(wǎng)絡(luò)，而是承載網(wǎng)路輸入和輸出的間隔區(qū)。大多數(shù)這種神經(jīng)網(wǎng)絡(luò)可以被用作圖像處理，并且可以處理他們以前沒(méi)有被訓(xùn)練過(guò)的圖像。由于其抽象化的水平很高，這些網(wǎng)絡(luò)可以用于將某個(gè)事物從一張圖片中移除，重畫，或者像大名鼎鼎的CycleGAN一樣將一匹馬換成一個(gè)斑馬。
【20】Generative Adversarial Network (GAN) 生成對(duì)抗網(wǎng)絡(luò)
【20】 GAN 生成對(duì)抗網(wǎng)絡(luò)
生成對(duì)抗網(wǎng)絡(luò)（GAN）代表了有生成器和分辨器組成的雙網(wǎng)絡(luò)大家族。它們一直在相互傷害——生成器試著生成一些數(shù)據(jù)，而分辨器接收樣本數(shù)據(jù)后試著分辨出哪些是樣本，哪些是生成的。只要你能夠保持兩種神經(jīng)網(wǎng)絡(luò)訓(xùn)練之間的平衡，在不斷的進(jìn)化中，這種神經(jīng)網(wǎng)絡(luò)可以生成實(shí)際圖像。
【21】Liquid State Machine (LSM) 液體狀態(tài)機(jī)
【21】 LSM 液體狀態(tài)機(jī)
液體狀態(tài)機(jī)（LSM）是一種稀疏的，激活函數(shù)被閾值代替了的（并不是全部相連的）神經(jīng)網(wǎng)絡(luò)。只有達(dá)到閾值的時(shí)候，單元格從連續(xù)的樣本和釋放出來(lái)的輸出中積累價(jià)值信息，并再次將內(nèi)部的副本設(shè)為零。
這種想法來(lái)自于人腦，這些神經(jīng)網(wǎng)絡(luò)被廣泛的應(yīng)用于計(jì)算機(jī)視覺(jué)，語(yǔ)音識(shí)別系統(tǒng)，但目前還沒(méi)有重大突破。
【22】Extreme Learning Machine (ELM) 極端學(xué)習(xí)機(jī)
【22】ELM 極端學(xué)習(xí)機(jī)
極端學(xué)習(xí)機(jī)（ELM）是通過(guò)產(chǎn)生稀疏的隨機(jī)連接的隱藏層來(lái)減少FF網(wǎng)絡(luò)背后的復(fù)雜性。它們需要用到更少計(jì)算機(jī)的能量，實(shí)際的效率很大程度上取決于任務(wù)和數(shù)據(jù)。
【23】Echo State Network (ESN) 回聲狀態(tài)網(wǎng)絡(luò)
【23】 ESN 回聲狀態(tài)網(wǎng)絡(luò)
回聲狀態(tài)網(wǎng)絡(luò)（ESN）是重復(fù)網(wǎng)絡(luò)的細(xì)分種類。數(shù)據(jù)會(huì)經(jīng)過(guò)輸入端，如果被監(jiān)測(cè)到進(jìn)行了多次迭代（請(qǐng)?jiān)试S重復(fù)網(wǎng)路的特征亂入一下），只有在隱藏層之間的權(quán)重會(huì)在此之后更新。
據(jù)我所知，除了多個(gè)理論基準(zhǔn)之外，我不知道這種類型的有什么實(shí)際應(yīng)用。。。。。。。
【24】Deep Residual Network (DRN) 深度殘差網(wǎng)絡(luò)
【24】 DRN 深度殘差網(wǎng)絡(luò)
深度殘差網(wǎng)絡(luò)（DRN）是有些輸入值的部分會(huì)傳遞到下一層。這一特點(diǎn)可以讓它可以做到很深的層級(jí)（達(dá)到300層），但事實(shí)上它們是一種沒(méi)有明確延時(shí)的RNN。
【25】Kohonen Network (KN) Kohonen神經(jīng)網(wǎng)絡(luò)
【25】 Kohonen神經(jīng)網(wǎng)絡(luò)
Kohonen神經(jīng)網(wǎng)絡(luò)（KN）引入了“單元格距離”的特征。大多數(shù)情況下用于分類，這種網(wǎng)絡(luò)試著調(diào)整它們的單元格使其對(duì)某種特定的輸入作出最可能的反應(yīng)。當(dāng)一些單元格更新了， 離他們最近的單元格也會(huì)更新。
像SVM一樣，這些網(wǎng)絡(luò)總被認(rèn)為不是“真正”的神經(jīng)網(wǎng)絡(luò)。
【26】Support Vector Machine (SVM)
【26】 SVM 支持向量機(jī)
支持向量機(jī)（SVM）用于二元分類工作，無(wú)論這個(gè)網(wǎng)絡(luò)處理多少維度或輸入，結(jié)果都會(huì)是“是”或“否”。
SVM不是所有情況下都被叫做神經(jīng)網(wǎng)絡(luò)。
【27】Neural Turing Machine (NTM) 神經(jīng)圖靈機(jī)
【27】NTM 神經(jīng)圖靈機(jī)
神經(jīng)網(wǎng)絡(luò)像是黑箱——我們可以訓(xùn)練它們，得到結(jié)果，增強(qiáng)它們，但實(shí)際的決定路徑大多數(shù)我們都是不可見(jiàn)的。
神經(jīng)圖靈機(jī)（NTM）就是在嘗試解決這個(gè)問(wèn)題——它是一個(gè)提取出記憶單元之后的FF。一些作者也說(shuō)它是一個(gè)抽象版的LSTM。
記憶是被內(nèi)容編址的，這個(gè)網(wǎng)絡(luò)可以基于現(xiàn)狀讀取記憶，編寫記憶，也代表了圖靈完備神經(jīng)網(wǎng)絡(luò)。
三、那個(gè)最簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)是什么意思啊，求解答
最簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)？可能指單輸入單輸出的單隱層感知器模型。
BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
四、深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)輸入輸出究竟是怎樣的？
在長(zhǎng)短期記憶 （LSTM） 網(wǎng)絡(luò)中，輸入通常是一系列數(shù)據(jù)點(diǎn)，例如語(yǔ)言翻譯任務(wù)中的單詞序列或時(shí)間序列預(yù)測(cè)任務(wù)中的傳感器讀數(shù)序列。輸入數(shù)據(jù)通過(guò)輸入層傳遞，輸入層將輸入數(shù)據(jù)轉(zhuǎn)換為一組可由 LSTM 網(wǎng)絡(luò)處理的內(nèi)部表示。
然后，輸入數(shù)據(jù)的內(nèi)部表示通過(guò)一系列LSTM層傳遞，這些層使用一組“存儲(chǔ)單元”來(lái)存儲(chǔ)和檢索長(zhǎng)時(shí)間的信息。每個(gè)LSTM層還包括一組“門”，用于控制進(jìn)出存儲(chǔ)單元的信息流，允許LSTM有選擇地存儲(chǔ)和檢索信息，并忘記不再需要的信息。
LSTM網(wǎng)絡(luò)的輸出通常是基于輸入數(shù)據(jù)和存儲(chǔ)在存儲(chǔ)單元中的信息的預(yù)測(cè)或分類。例如，在語(yǔ)言翻譯任務(wù)中，輸出可能是翻譯的句子，而在時(shí)序預(yù)測(cè)任務(wù)中，輸出可能是序列中的預(yù)測(cè)未來(lái)值。
總體而言，LSTM網(wǎng)絡(luò)的輸入是一系列數(shù)據(jù)點(diǎn)，輸出是基于輸入數(shù)據(jù)和存儲(chǔ)在LSTM層的存儲(chǔ)單元中的信息的預(yù)測(cè)或分類。
以上就是關(guān)于lstm神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。
推薦閱讀：
贛公網(wǎng)安備 50019002502384號(hào)
