arXiv (Cornell University)· 2014· Ön baskı
Sıralı Modellemede Kapılı Tekrarlayan Sinir Ağlarının Ampirik Değerlendirmesi
Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling
- 10.809atıf
- 2014yıl
Kısa özet
Kapılı tekrarlayan birimler (GRU'lar) ve Uzun Kısa Süreli Bellek (LSTM) ağları, sıralı modelleme görevlerinde geleneksel tanh gibi tekrarlayan birimlerden önemli ölçüde daha iyi performans gösterir ve GRU'lar LSTM'lerle karşılaştırılabilir performans sergiler.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Kapılı tekrarlayan birimler (GRU ve LSTM), RNN'lerde sıralı modelleme için geleneksel tanh birimlerinden daha iyi performans gösterir.
- GRU ve LSTM, polifonik müzik ve konuşma sinyali modelleme görevlerinde değerlendirilmiştir.
- GRU'nun performansı LSTM'nin performansıyla karşılaştırılabilir bulunmuştur.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
In this paper we compare different types of recurrent units in recurrent neural networks (RNNs). Especially, we focus on more sophisticated units that implement a gating mechanism, such as a long short-term memory (LSTM) unit and a recently proposed gated recurrent unit (GRU). We evaluate these recurrent units on the tasks of polyphonic music modeling and speech signal modeling. Our experiments revealed that these advanced recurrent units are indeed better than more traditional recurrent units such as tanh units. Also, we found GRU to be comparable to LSTM.
Yazarların özeti; kaynağından alınmıştır. arXiv (Cornell University), 2014 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sinyal İşleme
Signal ProcessingComputer Science