Visszatérő

Az ismétlődő neurális hálózatok (RNN-ek) olyan neurális hálózatok, amelyek képesek tanulni a múltban szerzett adatokból. A természetes nyelvi feldolgozással, a beszédfelismeréssel, a számítógépes látással és más területekkel kapcsolatos problémák megoldására szolgálnak.

A hagyományos neurális hálózatokkal (NN) ellentétben az RNN-ek speciális architektúrával rendelkeznek, amely lehetővé teszi számukra, hogy emlékezzenek a múltban kapott információkra, és felhasználják azokat a jövőbeni döntések meghozatalához. Ezt úgy érik el, hogy egy ismétlődő blokkot adnak a hálózathoz, amely információkat tárol a hálózat korábbi állapotairól, és továbbítja azt a következő rétegeknek.

Az ismétlődő blokk több elemből áll, például memóriacellákból, amelyek információkat tárolhatnak a korábbi bemeneti adatokról. A memóriacella minden eleme hozzáfér a korábbi állapotokkal kapcsolatos információkhoz, és felhasználhatja ezeket az információkat a jelenlegi állapotbeli döntés meghozatalára.

Az információra való képességüknek köszönhetően az RNN-ek adatsorokat, például szöveges szavak sorozatait vagy adatidősorokat képesek feldolgozni. Használhatók a jövőbeli értékek előrejelzésére is a korábbi adatok alapján.

Az RNN-ek egyik fő előnye, hogy valós időben képesek feldolgozni az adatokat, ami hasznossá teszi azokat a gyors adatfeldolgozást igénylő alkalmazásoknál, mint például a beszédfelismerés vagy a pénzügyi adatfeldolgozás.

A rekurzív metódus egy függvény (programozási környezetben), amely ismételten meghívható. Például egy gráf bejárásával vagy egyenletek megoldásával kapcsolatos problémák megoldására. A rekurzív programok (vagy rekurzív algoritmusok) közvetlen vagy közvetett rekurziót használnak a probléma megoldására. Ez váratlanul magas memóriahasználatot eredményezhet