1、陈 恬恬主要内容1RNN简介2RNN的学习算法3需解决的问题4后续学习安排神经网络模型的基本组成神经网络模型的基本组成 之神经元之神经元Z 生物神经元的基本组成细胞体突起Z树突Z轴突Z 人工神经元的基本结构处理单元连接Z输入Z输出1 RNN简介 RNN是一类以在网络中出现环为特点的网络模型,并且能存储着神经元这一时刻的输入与前一时刻输出的以来关系。前向静态神经网络虽然对非线性函数具有良好的逼近能力,但却不具动态性,所以就引入了递归神经网络RNN。RNN相对于前向静态网络不同的就是信号从一个神经元到另一个神经元,并不会马上消失,而是继续存活。RNN的神经元的神经元主要由5个部分组成 输入 网络权
2、值和阈值 求和单元 传递函数 输出RNN分类分类全局递归神经网络(Fully Recurrent NNs)离散DHNN Hopfiled网络 连续CHNN局部递归神经网络(Locally Recurrent NNs)外部时延网络:Jordan网络 内部时延网络:Elman网络RNN的学习算法的学习算法通过时间的反向传播算法(Back Propagation Through Time,BPTT)BPTT算法是BP算法的扩展,可将加 在网络上的时序信号按层展开,将动 态网络转化为动态网络,用BP算法进 行训练。BPTT算法描述算法描述定义回合的误差函数(表示回合的起始时间,表示回合的结束时间)(1
3、)在区间 ,上,对数据做前向运算,保存完整的输入数据记录、网络状态(权值)和期望输出;(2)对过去这条记录执行一个单纯的反向传播网络,计算局部梯度;(3)当反向传播的计算回到 时,对神经元 j 的突触权值 调整如下:RNN的学习算法的学习算法实时递归学习算法(Real time Recurrent Learning,RTRL)用于训练局部网络;有N=4个单元,M=2个外加输入,x(n)表示n时刻的输入向量,y(n+1)表示下一时刻的输出向量,总的输入向量为 RTRL算法描述算法描述(1)从n=0开始,对每一步n,计算N个神经元的输出,求出联合输入 ;n时刻 j 神经元的净输入为:下一时刻 j 的输出为:(2)用梯度下降法求出权值的修正量;(3)修正权值:(4)重复计算,知道误差小于某一特定值;实际应用中,我们需要事先知道各神经元的状态信息,然后才可以合理利用这些信息实现一些预定的目标,而信息有时是不可完全获知的,即模型中存在时滞,就要求我们想办法去估计这些神经元的状态。3需解决的问题-如何处理时滞?A Clockwork RNNCW-RNN是通过将隐含层划分几个模块,来减少RNN中存在的长时间依赖,从而减少了训练的时间。后续学习安排后续学习安排重新搭建一条学习的主线多看一些关于RNN的论文学好Python的编程,读懂RNN的代码谢谢大家的指导!