Today: Tuesday 22 June 2021 , 9:16 pm


advertisment
search




Рекуррентная нейронная сеть

Последнее обновление 7 час , 13 минута 45 Взгляды

Advertisement
In this page talks about ( Рекуррентная нейронная сеть ) It was sent to us on 22/06/2021 and was presented on 22/06/2021 and the last update on this page on 22/06/2021

Твой комментарий


Введите код
  Рекуррентные нейронные сети (РНС, ; RNN) — вид нейронных сетей, где связи между элементами образуют направленную последовательность. Благодаря этому появляется возможность обрабатывать серии событий во времени или последовательные пространственные цепочки. В отличие от многослойных перцептронов, рекуррентные сети могут использовать свою внутреннюю память для обработки последовательностей произвольной длины. Поэтому сети RNN применимы в таких задачах, где нечто целостное разбито на части, например: распознавание рукописного текста{{статья заглавие=A Novel Connectionist System for Improved Unconstrained Handwriting Recognition ссылка=http://www.idsia.ch/~juergen/tpami_2008.pdf издание= том=31 номер=5 язык=en тип=journal автор=Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; год=2009 или распознавание речи . Было предложено много различных архитектурных решений для рекуррентных сетей от простых до сложных. В последнее время наибольшее распространение получили
сеть с долговременной и кратковременной памятью (LSTM) и управляемый рекуррентный блок (GRU).

История

Джон Хопфилд в 1982 предложил Сеть Хопфилда. В 1993 нейронная система запоминания и сжатия исторических данных смогла решить задачу «очень глубокого обучения», в которой в рекуррентной сети разворачивалось более 1000 последовательных слоёв.{{книга ссылка=ftp://ftp.idsia.ch/pub/juergen/habilitation.pdf заглавие=Habilitation thesis: System modeling and optimization год=1993 язык=en автор= Page 150 ff demonstrates credit assignment across the equivalent of 1,200 layers in an unfolded RNN.

Долгая краткосрочная память (LSTM)

Сеть с долговременной и кратковременной памятью ( ; LSTM).{{статья заглавие=Long Short-Term Memory издание= том=9 номер=8 страницы=1735—1780 doi=10.1162/neco.1997.9.8.1735 язык=en автор= ; число=1 месяц=11 год=1997 нашла применение в различных приложениях.
Начиная с 2007 года LSTM приобрела популярность и смогла вывести на новый уровень распознавание речи, показав существенное улучшение по сравнению с традиционными моделями. В 2009 году появился подход классификации по рейтингу (Connectionist Temporal Classification, (CTC)). Этот метод позволил рекуррентным сетям подключить анализ контекста при распознавании рукописного текста. В 2014 году китайская энциклопедия и поисковая система Baidu, используя рекуррентные сети с обучением по CTC смогли поднять на новый уровень показатели Switchboard Hub5’00, опередив традиционные методы.
LSTM привела также к улучшению распознавания речи с большими словарями и улучшения синтеза речи по текстуBo Fan, Lijuan Wang, Frank K. Soong, and Lei Xie (2015). Photo-Real Talking Head with Deep Bidirectional LSTM. In Proceedings of ICASSP 2015., и нашла также применение в операционной системе Google Android. В 2015 году распознавание речи у Google значительно повысило показатели вплоть до 49 %, причиной того стало использование специальной системы обучения LSTM на базе CTC в системе Google voice search.
LSTM вывело на новый уровень качество машинного перевода, , построения языковых моделей и обработки многоязычного текста. Сочетание LSTM со свёрточными нейронными сетями (CNN) позволило усовершенствовать автоматическое описание изображений.

Архитектура

Существует много разновидностей, решений и конструктивных элементов рекуррентных нейронных сетей.
Трудность рекуррентной сети заключается в том, что если учитывать каждый шаг времени, то становится необходимым для каждого шага времени создавать свой слой нейронов, что вызывает серьёзные вычислительные сложности. Кроме того, многослойные реализации оказываются вычислительно неустойчивыми, так как в них как правило исчезают или зашкаливают веса. Если ограничить расчёт фиксированным временным окном, то полученные модели не будут отражать долгосрочных трендов. Различные подходы пытаются усовершенствовать модель исторической памяти и механизм запоминания и забывания.

Полностью рекуррентная сеть

Это базовая архитектура разработана в 1980-х. Сеть строится из узлов, каждый из которых соединён со всеми другими узлами. У каждого нейрона порог активации меняется со временем и является вещественным числом. Каждое соединение имеет переменный вещественный вес. Узлы разделяются на входные, выходные и скрытые.
Для обучения с учителем с дискретным временем, каждый (дискретный) шаг времени на входные узлы подаются данные, а прочие узлы завершают свою активацию, и выходные сигналы готовятся для передачи нейроном следующего уровня. Если например сеть отвечает за распознавание речи, в результате на выходные узлы поступают уже метки (распознанные слова).
В обучении с подкреплением (reinforcement learning) нет учителя, обеспечивающего целевые сигналы для сети, вместо этого иногда используется функция приспособленности (годности) или функция оценки (reward function), по которой проводится оценка качества работы сети, при этом значения на выходе оказывает влияние на поведение сети на входе. В частности, если сеть реализует игру, на выходе измеряется количество пунктов выигрыша или оценки позиции.
Каждая цепочка вычисляет ошибку как суммарную девиацию по выходным сигналам сети. Если имеется набор образцов обучения, ошибка вычисляется с учётом ошибок каждого отдельного образца.

Рекурсивная сеть


Рекурсивные нейронные сети представляют собой более общий случай рекуррентных сетей, когда сигнал в сети проходит через структуру в виде дерева (обычно бинарные деревья). Те же самые матрицы весов используются рекурсивно по всему графу в соответствии с его топологией.Seppo Linnainmaa (1970). The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors. Master’s Thesis (in Finnish), Univ. Helsinki, 6-7.{{книга заглавие=Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation издание=Second ссылка= год=2008 издательство=SIAM isbn=978-0-89871-776-1 язык=en автор=Griewank, Andreas; Walther, Andrea Рекурсивные нейронные сети находят применение в задачах обработки естественного языка. Существуют также тензорные рекурсивные нейронные сети (RNTN, Recursive Neural Tensor Network), которые используют тензорные функции для всех узлов в дереве.

Нейронная сеть Хопфилда


Сеть Хопфилда — это такой тип рекуррентной сети, когда все соединения симметричны. Изобретена Джоном Хопфилдом в 1982 году и гарантируется, что динамика такой сети сходится к одному из положений равновесия. Если при создании соединений используют , то сеть Хопфилда может работать как надежная ассоциативная память, устойчивая к изменению подключений.

Двунаправленная ассоциативная память (BAM)


Вариацией сети Хопфилда является двунаправленная ассоциативная память (BAM). BAM имеет два слоя, каждый из которых может выступать в качестве входного, находить (вспоминать) ассоциацию и генерировать результат для другого слоя.Journal date=1988 title=Bidirectional associative memories journal=IEEE Transactions on Systems, Man, and Cybernetics volume=18 issue=1 pages=49–60 doi=10.1109/21.87054 last1=Kosko first1=B.
{{книга
ссылка=
страницы=336
заглавие=Neural networks: a systematic introduction
издательство=Springer
isbn=978-3-540-60505-8
год=1996
язык=en
автор=Rául Rojas

Сети Элмана и Джордана

thumbRightСеть Элмана
Нейронная сеть Элмана представляет из себя трёхслойную нейронную сеть, слои которой называются на иллюстрации x, y, и z. Дополнительно к сети добавлен набор «контекстных блоков» (u на иллюстрации). Средний (скрытый) слой соединён с контекстными блоками с фиксированным весом, равным единице.Cruse, Holk; Neural Networks as Cybernetic Systems, 2nd and revised edition С каждым шагом времени на вход поступает информация, которая проходит прямой ход к выходному слою в соответствии с правилами обучения. Фиксированные обратные связи сохраняют предыдущие значения скрытого слоя в контекстных блоках (до того как скрытый слой поменяет значение в процессе обучения). Таким способом сеть сохраняет своё состояние, что может использоваться в предсказании последовательностей, выходя за пределы мощности многослойного перцептрона.
Нейронная сеть Джордана подобна сети Элмана. Однако контекстные блоки связаны не со скрытым слоем, а с выходным слоем. Контекстные блоки таким образом сохраняют своё состояние. Они обладают рекуррентной связью с собой.
Сети Элмана и Джордана называют также «простыми рекуррентными сетями» (SRN).
;Сеть Элмана
\begin{align
h_t &= \sigma_h(W_{h x_t + U_{h h_{t-1 + b_h) \\
y_t &= \sigma_y(W_{y h_t + b_y)
\end{align
;Сеть Джордана
\begin{align
h_t &= \sigma_h(W_{h x_t + U_{h y_{t-1 + b_h) \\
y_t &= \sigma_y(W_{y h_t + b_y)
\end{align
Обозначения переменных и функций:
  • x_t: вектор входного слоя
  • h_t: вектор скрытого слоя
  • y_t: вектор выходного слоя
  • W, U и b: Матрица и вектор параметров
  • \sigma_h и \sigma_y: Функция активации

Эхо-сети


Эхо-сеть ( ; ESN) характеризуется одним скрытым слоем (который называется резервуаром) со случайными редкими связями между нейронами. При этом связи внутри резервуара фиксированы, но связи с выходным слоем подлежат обучению. Состояние резервуара (state) вычисляется через предыдущие состояния резервуара, а также предыдущие состояния входного и выходного сигналов. Так как эхо-сети обладают только одним скрытым слоем, они обладают достаточно низкой вычислительной сложностью, однако качество моделирования сильно зависит от начальных установок, которые грубо говоря случайны. Эхо-сети хорошо работают, воспроизводя временные ряды. Вариацией эхо-сетей являются импульсные (спайковые) нейронные сети, известные также как жидкие нейронные сети ("жидкие" сети названы с использование метафоры расходящихся кругов по воде от падения камешка, что характеризует кратковременную память от входного события).W. Maass, T. Natschläger, and H. Markram. A fresh look at real-time computation in generic recurrent neural circuits. Technical report, Institute for Theoretical Computer Science, TU Graz, 2002.

Нейронный компрессор истории

Нейронный компрессор исторических данных - это блок, позволяющий в сжатом виде хранить существенные исторические особенности процесса, который является своего рода стеком рекуррентной нейронной сети, формируемым в процессе самообучения.{{статья заглавие=Learning complex, extended sequences using the principle of history compression ссылка=ftp://ftp.idsia.ch/pub/juergen/chunker.pdf издание= том=4 номер=2 страницы=234—242 язык=en тип=journal автор=Schmidhuber, Jürgen На уровне входного сигнала, нейронный компрессор истории пытается предсказать следующий вход по историческим данным. На следующий уровень рекуррентной сети поступают только те входные сигналы, которые не смогли быть предсказаны, и которые при этом способствуют изменению состояния компрессора. Каждый следующий слой сети точно также изучает сжатую историческую информацию с предыдущих слоёв. Таким образом входная последовательность может быть точно восстановлена по представлению последующих слоёв.
Система пытается свести к минимуму размер описания, или же использует негативные логарифмы для оценки вероятностей данных. Используя обучаемую предсказуемость во входящей последовательности данных, сеть RNN следующего уровня, применяя уже обучение с учителем, может уже классифицировать даже глубокие последовательности с большими временными интервалами между ключевыми событиями.
Таким образом сеть RNN можно разделить на два уровня слоёв: «сознательный» (более высокий уровень) и «подсознательный» автоматизатор (нижний уровень). После того, как верхний уровень научился прогнозировать и сжимать входы (которые непредсказуемы) с помощью автоматизатора, тогда автоматизатор может быть вынужден на следующей стадии обучения предсказывать сам или подражать через дополнительные или скрытые блоки более медленно меняющегося высшего уровня. Это упрощает работу автоматизатора, позволяя учесть долгосрочные, но редко меняющиеся воспоминания. В свою очередь, это помогает автоматизатору сделать многие из его некогда непредсказуемых входов предсказуемыми, так что высший уровень может сосредоточиться на оставшихся непредсказуемых событиях.

Долгая краткосрочная память (LSTM)


Сеть с долговременной и кратковременной памятью ( представляет собой систему глубинного обучения, при реализации которой удалось обойти проблему исчезновения или зашкаливания градиентов в процессе обучения методом обратного распространения ошибки. Сеть LSTM обычно модерируется с помощью рекуррентных вентилей, которые называются вентили (gates) «забывания». Ошибки распространяются назад по времени через потенциально неограниченное количество виртуальных слоёв. Таким образом происходит обучение в LSTM
{{статья заглавие=Deep Learning in Neural Networks: An Overview издание=Neural Networks том=61 страницы=85—117 doi=10.1016/j.neunet.2014.09.003 pmid=25462637 arxiv=1404.7828 язык=und автор= месяц=1 год=2015, при этом сохраняя память о тысячах и даже миллионах временных интервалов в прошлом. Топологии сетей типа LSTM могут развиваться в соответствии со спецификой процесса. В сети LSTM даже большие задержки между значимыми событиями могут учитываться, и тем самым высокочастотные и низкочастотные компоненты могут смешиваться.
Многие рекуррентные сети используют стеки данных, присущие LSTM Сети могут обучаться с помощью "Классификации по времени и соединениям (CTC)" ( чтобы найти такую матрицу весов, в которой вероятность последовательности меток в наборе образцов при соответствующем входном потоке сводится к максимуму. CTC позволяет добиться как упорядочивания так и распознавания.
LSTM может также обучаться для распознавания контекстно-чувствительных языков, в отличие от предыдущих моделей, базировавшихся на скрытой марковской модели (HMM) и подобных идеях.{{статья заглавие=LSTM recurrent networks learn simple context-free and context-sensitive languages ссылка=http://ieeexplore.ieee.org/document/963769/ издание= том=12 номер=6 страницы=1333—1340 doi=10.1109/72.963769 issn=1045-9227 язык=en тип=journal автор=Gers, F. A.; Schmidhuber, E. месяц=11 год=2001

Рекуррентные сети второго порядка

Рекуррентные сети второго порядка используют веса высших порядков w{_{ijk вместо обычных весов w{_{ij, при этом входные параметры и параметры состояния могут получать в виде произведения. В этом случае сеть трансформируется (mapping) в конечный автомат как в процессе обучения, так и при стабилизации и представлении.C.L. Giles, C.B. Miller, D. Chen, H.H. Chen, G.Z. Sun, Y.C. Lee, «Learning and Extracting Finite State Automata with Second-Order Recurrent Neural Networks», Neural Computation, 4(3), p. 393, 1992.C.W. Omlin, C.L. Giles, http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.32.2364&rep=rep1&type=pdf «Constructing Deterministic Finite-State Automata in Recurrent Neural Networks» Journal of the ACM, 45(6), 937—972, 1996. Долгая краткосрочная память в данном случае не имеет такой трансформации и проверки стабильности.

Управляемый рекуррентный блок


Управляемый рекуррентный блок ( ; GRU) - механизм управления рекуррентной сети, предложенный в 2014 году. Производительность GRU в моделях речевого сигнала или полифонической музыки оказалась сопоставимой с долгой краткосрочной памятью (LSTM). У данной модели меньше параметров, чем у LSTM, и в ней отсутствует выходное управление.

См. также

  • Долгая краткосрочная память
  • Управляемый рекуррентный блок
  • Нейронная сеть Хопфилда
  • Нейронная сеть Коско
  • Нейронная сеть Джордана
  • Нейронная сеть Элмана
  • Йорген Шмидхубер

Примечания


Литература

  • Recurrent Neural Networks Tutorial



  • Категория:Искусственные нейронные сети
 
Комментарии

Пока нет комментариев




последний раз видели
большинство посещений