একটি আরএনএন হল একটি ডিপ নিউরাল নেটওয়ার্ক (ডিএনএন) যেখানে প্রতিটি স্তর নতুন ইনপুট নিতে পারে তবে একই পরামিতি থাকতে পারে। বিপিটি হ'ল একটি নেটওয়ার্কে ব্যাক প্রচারের জন্য অভিনব শব্দ যা নিজেই গ্রেডিয়েন্ট বংশোদ্ভূত শব্দটির জন্য অভিনব শব্দ।
বলুন যে RNN আউটপুট Y টি প্রতিটি পদক্ষেপ এবং
ই দ দ ণ দ টি = ( Y টি - Y টি ) 2y^t
errort=(yt−y^t)2
ওজন শিখতে ফাংশনের জন্য আমাদের গ্রেডিয়েন্টগুলির প্রশ্নের উত্তর দিতে প্রয়োজন "পরামিতি পরিবর্তনের ফলে ক্ষতির কার্যকারিতা কতটা প্রভাবিত করে?" এবং প্রদত্ত দিকগুলিতে পরামিতিগুলি সরান:
∇errort=−2(yt−y^t)∇y^t
অর্থাৎ আমাদের একটি ডিএনএন রয়েছে যেখানে প্রতিটি স্তরে পূর্বাভাসটি কতটা ভাল তা আমরা প্রতিক্রিয়া পাই get যেহেতু প্যারামিটারের পরিবর্তন DNN (টাইমস্টেপ) এর প্রতিটি স্তর পরিবর্তন করবে এবং প্রতিটি স্তর আগত আউটপুটগুলিতে অবদান রাখে যার জন্য এটি গণনা করা দরকার।
এটি অর্ধ-স্পষ্টভাবে দেখতে একটি সাধারণ একটি নিউরন-ওয়ান স্তর নেটওয়ার্ক নিন:
y^t+1=∂∂ay^t+1=∂∂by^t+1=∂∂cy^t+1=⟺∇y^t+1=f(a+bxt+cy^t)f′(a+bxt+cy^t)⋅c⋅∂∂ay^tf′(a+bxt+cy^t)⋅(xt+c⋅∂∂by^t)f′(a+bxt+cy^t)⋅(y^t+c⋅∂∂cy^t)f′(a+bxt+cy^t)⋅⎛⎝⎜⎡⎣⎢0xty^t⎤⎦⎥+c∇y^t⎞⎠⎟
সঙ্গে শেখার হার এক প্রশিক্ষণ পদক্ষেপ তারপর হল:
[ ~ একটি ~ খ ~ গ ] ← [ একটি খ গ ] + + δ ( Y টি - Y টি ) ∇ Y টিδ
⎡⎣⎢a~b~c~⎤⎦⎥←⎡⎣⎢abc⎤⎦⎥+δ(yt−y^t)∇y^t
আমরা কি দেখতে যে গণনা করতে অনুক্রম হল আপনি প্রয়োজন আউট ক্যালকুলেট অর্থাত রোলে ∇ Y টি । আপনি কি উত্থাপন করা হয় কেবল লাল অংশ উপেক্ষা জন্য লাল অংশ ক্যালকুলেট টি কিন্তু আরো recurse না। আমি ধরে নিয়েছি যে আপনার ক্ষতি কিছুটা এরকম∇y^t+1∇y^tt
error=∑t(yt−y^t)2
সম্ভবত প্রতিটি পদক্ষেপ তারপরে একটি অপরিশোধিত দিক অবদান রাখবে যা সমষ্টিতে যথেষ্ট? এটি আপনার ফলাফলগুলি ব্যাখ্যা করতে পারে তবে আমি আপনার পদ্ধতি / ক্ষতি কার্যকারিতা সম্পর্কে আরও শুনতে আগ্রহী! এছাড়াও দ্বিগুণ টাইপযুক্ত উইন্ডোযুক্ত এএনএন এর সাথে তুলনা করতে আগ্রহী হবে।
edit4: মন্তব্য পড়ার পরে মনে হচ্ছে আপনার আর্কিটেকচারটি কোনও আরএনএন নয়।
RNN: Stateful - এগিয়ে গোপন বহন রাষ্ট্র অনির্দিষ্টকালের জন্যht
এটি আপনার মডেল কিন্তু প্রশিক্ষণ ভিন্ন।
আপনার মডেল:
স্টেটলেস - লুকানো রাজ্য প্রতিটি পদক্ষেপে পুনর্নির্মাণ সম্পাদনা 2: ডিএনএনএস সম্পাদনা 3: ফিক্সড গ্রেডস্টেপ এবং কিছু স্বরলিপি সম্পাদনা 5-এ আরও রেফ যুক্ত করা হয়েছে: আপনার উত্তর / স্পষ্টতার পরে আপনার মডেলটির ব্যাখ্যা স্থির করে।