Bölüm
Aşamalı LSTM: Uzun veya Olay Tabanlı Diziler için Yinelenen Ağ Eğitimini Hızlandırma
örneklerini şununla değiştirin: Daniel Niel
Yinelenen Nöral Ağlar (RNN' ler), zamansal dizilerden desenleri ayıklamak için en yeni seçenek haline gelmiştir. Mevcut RNN modelleri, algılayıcılar veya diğer nöronlar tarafından sürekli zaman içinde oluşturulan olaylar tarafından tetiklenen düzensiz örneklenmiş verileri işlemek için uygun değil. Bu tür veriler, örneğin giriş seyrek, zaman uyumsuz olay akışları oluşturan yeni olay odaklı yapay sensörlerden veya farklı güncelleştirme aralıklarına sahip birden fazla geleneksel algılayıcıdan geldiğinde ortaya çıkabilir. Bu çalışmada, yeni bir zaman geçidi ekleyerek LSTM birimini genişleten Aşamalı LSTM modelini tanıtacağız. Bu kapı, bellek hücresinin yalnızca döngünün küçük bir yüzdesi sırasında güncelleştirilmesi gereken frekans aralığına sahip bir parametrized salınım tarafından denetlenir. Salınım tarafından uygulanan seyrek güncelleştirmelerle bile, Aşamalı LSTM ağı uzun dizilerin öğrenilmesi gereken görevlerde normal LSTM'lerden daha hızlı yakınsama sağlar. Model, rastgele örnekleme hızları algılayıcılarından gelen girişleri doğal olarak tümleştirir ve böylece zamanlama bilgilerini taşıyan zaman uyumsuz duyusal olayları işlemek için yeni araştırma alanları açar. Ayrıca standart RNN uygulamalarında LSTM'lerin performansını büyük ölçüde artırır ve bunu daha az işlemle yapar.
Yinelenen Nöral Ağlar (RNN' ler), zamansal dizilerden desenleri ayıklamak için en yeni seçenek haline gelmiştir. Mevcut RNN modelleri, algılayıcılar veya diğer nöronlar tarafından sürekli zaman içinde oluşturulan olaylar tarafından tetiklenen düzensiz örneklenmiş verileri işlemek için uygun değil. Bu tür veriler, örneğin giriş seyrek, zaman uyumsuz olay akışları oluşturan yeni olay odaklı yapay sensörlerden veya farklı güncelleştirme aralıklarına sahip birden fazla geleneksel algılayıcıdan geldiğinde ortaya çıkabilir. Bu çalışmada, yeni bir zaman geçidi ekleyerek LSTM birimini genişleten Aşamalı LSTM modelini tanıtacağız. Bu kapı, bellek hücresinin yalnızca döngünün küçük bir yüzdesi sırasında güncelleştirilmesi gereken frekans aralığına sahip bir parametrized salınım tarafından denetlenir. Salınım tarafından uygulanan seyrek güncelleştirmelerle bile, Aşamalı LSTM ağı uzun dizilerin öğrenilmesi gereken görevlerde normal LSTM'lerden daha hızlı yakınsama sağlar. Model, rastgele örnekleme hızları algılayıcılarından gelen girişleri doğal olarak tümleştirir ve böylece zamanlama bilgilerini taşıyan zaman uyumsuz duyusal olayları işlemek için yeni araştırma alanları açar. Ayrıca standart RNN uygulamalarında LSTM'lerin performansını büyük ölçüde artırır ve bunu daha az işlemle yapar.
Geri bildirimde bulunmak ister misiniz? Burada bir sorun gönderin.