در صورتی که تمایل دارید بجای مطالعه مقاله معماری RNN فیلم آن را تماشا کنید، روی این لینک (+) و یا پخش کننده پایین کلیک کنید.
شبکه عصبی بازگشتی (RNN) چیست؟
شبکه عصبی بازگشتی که مخفف Recurrent Neural Network است یک شبکه تکرار شونده با دو منبع ورودی (حال و گذشته) است.
این شبکه نه تنها ورودی فعلی را بلکه آنچه قبلا در زمان درک کرده است را به عنوان ورودی به شبکه ارسال می‌کند. همچنین شبکه عصبی بازگشتی براساس اصل ذخیره خروجی یک لایه و بازگرداندن آن به ورودی به منظور پیشبینی خروجی لایه بعد کار می‌کند.
شبکه عصبی بازگشتی (RNN) چگونه کار می‌کند؟
داده‌های ورودی فعلی را دریافت و با داده‌های دریافت شده از لایه قبلی برای ارسال به شبکه ترکیب می‌کند. این شبکه دارای یک حافظه داخلی برای بخاطر سپردن ورودی‌های قبلی است.
این شبکه در زمان معین T ورودی فعلی ترکیبی از ورودی زمان T و زمان T-1 را به شبکه ارسال می‌کند.
شبکه RNN مانند شبکه‌های دیگر وزن‌ها، بایاس‌ها، لایه‌ها و تابع فعالسازی دارد. همچنین می‌تواند یک ورودی دریافت کند و یا ورودی‌های متوالی داشته باشد.
معماری RNN و نحوه عملکرد RNN
برای درک معماری RNN و نحوه عملکرد آن پیشنهاد می‌کنم از دقیقه 1 و ثانیه 55 الی دقیقه 9 و ثانیه 33 فیلم آپلود شده در این صفحه را مشاهده کنید.
مزایای RNN
- استاندارد سازی توابع فعالسازی و وزن ها و بایاس ها
- اشتراک گذاری پارامترها در تمام مراحل زمانی
- مدیریت توالی‌های ورودی (تشخیص گفتار – تحلیل سری‌های زمانی)
- دارای حافظه از ورودی‌های گذشته
- توابع فعالسازی غیرخطی
- پردازش متوالی، توالی‌های ورودی (محاسباتی کارآمد و موازی سازی آسان)
کلیدواژگان
ساختار شبکه عصبی بازگشتی | شبکه های عصبی بازگشتی RNN | مزایای RNN
