umz21/wyk/2012_RNN.ipynb

Uczenie maszynowe UMZ 2019/2020

2 czerwca 2020

12. Rekurencyjne sieci neuronowe

RNN – _Recurrent Neural Network

LSTM – _Long Short Term Memory

import IPython
IPython.display.YouTubeVideo('WCUNPb-5EYI', width=800, height=600)

Rekurencyjna sieć neuronowa – schemat

Rekurencyjna sieć neuronowa – schemat

Zależności długodystansowe (_long-distance dependencies) w sieciach rekurencyjnych

RNN – typy sekwencji

Prosta sieć RNN – schemat

LSTM – schemat

• Rekurencyjne sieci neuronowe znajduja zastosowanie w przetwarzaniu sekwencji, np. szeregów czasowych i tekstów.
• LSTM są rozwinięciem RNN, umożliwiają „zapamiętywanie” i „zapominanie”.

Co potrafią generować rekurencyjne sieci neuronowe?

http://karpathy.github.io/2015/05/21/rnn-effectiveness/

Generowanie tekstu za pomocą LSTM – przykład

https://github.com/keras-team/keras/blob/master/examples/lstm_text_generation.py

Przewidywanie ciągów czasowych za pomocą LSTM – przykład

https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/

GRU – _Gated Recurrent Unit

• Rodzaj rekurencyjnej sieci neuronowej wprwadzony w 2014 roku
• Ma prostszą budowę niż LSTM (2 bramki zamiast 3).

GRU – schemat

GRU vs LSTM

• LSTM – 3 bramki: wejścia (_input), wyjścia (output) i zapomnienia (forget); GRU – 2 bramki: resetu (reset) i aktualizacji (update). Bramka resetu pełni podwójną funkcję: zastępuje bramki wyjścia i zapomnienia.
• GRU i LSTM mają podobną skuteczność, ale GRU dzięki prostszej budowie bywa bardziej wydajna.
• LSTM sprawdza się lepiej w przetwarzaniu tekstu, ponieważ lepiej zapamiętuje zależności długosystansowe.