Toistuva

Toistuvat hermoverkot (RNN:t) ovat eräänlaisia ​​hermoverkkoja, jotka pystyvät oppimaan aiemmin saaduista tiedoista. Niitä käytetään ratkaisemaan luonnollisen kielen käsittelyyn, puheentunnistukseen, tietokonenäköön ja muihin alueisiin liittyviä ongelmia.

Toisin kuin perinteisissä hermoverkoissa (NN), RNN:illä on erityinen arkkitehtuuri, jonka avulla ne voivat muistaa aiemmin vastaanotetun tiedon ja käyttää sitä tulevien päätösten tekemiseen. Tämä saavutetaan lisäämällä verkkoon toistuva lohko, joka tallentaa tiedot verkon aikaisemmista tiloista ja lähettää sen seuraaville kerroksille.

Toistuva lohko koostuu useista elementeistä, kuten muistisoluista, joihin voidaan tallentaa tietoa aikaisemmista syötetiedoista. Jokaisella muistisolun elementillä on pääsy tietoihin aiemmista tiloista ja se voi käyttää tätä tietoa päätöksentekoon nykyisessä tilassa.

Koska RNN:t pystyvät muistamaan tietoja, ne voivat käsitellä tietosarjoja, kuten tekstin sanasarjoja tai datan aikasarjoja. Niitä voidaan käyttää myös tulevien arvojen ennustamiseen aikaisempien tietojen perusteella.

Yksi RNN-verkkojen tärkeimmistä eduista on, että ne pystyvät käsittelemään tietoja reaaliajassa, mikä tekee niistä hyödyllisiä sovelluksissa, jotka vaativat nopeaa tietojenkäsittelyä, kuten puheentunnistuksen tai taloustietojen käsittelyn.

Rekursiivinen menetelmä on funktio (ohjelmointikontekstissa), jota voidaan kutsua toistuvasti. Esimerkiksi graafin kulkemiseen tai yhtälöiden ratkaisemiseen liittyviä ongelmia. Rekursiivinen ohjelma (tai rekursiiviset algoritmit) käyttää suoraa tai epäsuoraa rekursiota ongelman ratkaisemiseen. Tämä voi johtaa odottamattoman suureen muistin käyttöön