Tilbakevendende

Tilbakevendende nevrale nettverk (RNN) er en type nevrale nettverk som er i stand til å lære av data innhentet i fortiden. De brukes til å løse problemer knyttet til naturlig språkbehandling, talegjenkjenning, datasyn og andre områder.

I motsetning til konvensjonelle nevrale nettverk (NN), har RNN-er en spesiell arkitektur som lar dem huske informasjon mottatt i fortiden og bruke den til å ta beslutninger i fremtiden. Dette oppnås ved å legge til en tilbakevendende blokk til nettverket, som lagrer informasjon om tidligere tilstander i nettverket og overfører den til påfølgende lag.

En tilbakevendende blokk består av flere elementer, for eksempel minneceller, som kan lagre informasjon om tidligere inndata. Hvert element i en minnecelle har tilgang til informasjon om tidligere tilstander og kan bruke denne informasjonen til å ta en beslutning i gjeldende tilstand.

På grunn av deres evne til å huske informasjon, kan RNN-er behandle sekvenser av data, for eksempel sekvenser av ord i tekst eller tidsserier med data. De kan også brukes til å forutsi fremtidige verdier basert på tidligere data.

En av hovedfordelene med RNN-er er at de kan behandle data i sanntid, noe som gjør dem nyttige for applikasjoner som krever rask databehandling, for eksempel talegjenkjenning eller økonomisk databehandling.

En rekursiv metode er en funksjon (i programmeringssammenheng) som kan kalles gjentatte ganger. For eksempel for å løse problemer med å krysse en graf eller løse ligninger. Et rekursivt program (eller rekursive algoritmer) bruker direkte eller indirekte rekursjon for å løse et problem. Dette kan føre til uventet høy minnebruk