- PyTorch 教程
- PyTorch - 主页
- PyTorch - 简介
- PyTorch - 安装
- 神经网络的数学构建模块
- PyTorch - 神经网络基础知识
- 机器学习的通用工作流程
- 机器学习与深度学习
- 实施第一个神经网络
- 神经网络到功能块
- PyTorch - 术语
- PyTorch - 加载数据
- PyTorch - 线性回归
- PyTorch - 卷积神经网络
- PyTorch - 循环神经网络
- PyTorch - 数据集
- PyTorch - 修道院简介
- 从头开始训练修道院
- PyTorch - 修道院中的特征提取
- PyTorch - 修道院的可视化
- 使用Convents进行序列处理
- PyTorch - 词嵌入
- PyTorch - 递归神经网络
- PyTorch 有用资源
- PyTorch - 快速指南
- PyTorch - 有用的资源
- PyTorch - 讨论
PyTorch - 递归神经网络
深度神经网络具有独特的功能,可以实现机器学习理解自然语言过程的突破。据观察,这些模型大多数将语言视为单词或字符的平面序列,并使用一种称为循环神经网络或 RNN 的模型。
许多研究人员得出的结论是,通过短语的层次树可以最好地理解语言。这种类型包含在考虑特定结构的递归神经网络中。
PyTorch 有一个特定的功能,有助于使这些复杂的自然语言处理模型变得更加容易。它是一个功能齐全的各种深度学习框架,对计算机视觉有强大的支持。
递归神经网络的特点
递归神经网络的创建方式包括将同一组权重应用于不同的图状结构。
按拓扑顺序遍历节点。
这类网络是通过自动微分的逆向模式来训练的。
自然语言处理包括递归神经网络的特殊情况。
该递归神经张量网络包括树中的各种组合功能节点。
递归神经网络的示例如下所示 -