Định kỳ

Mạng thần kinh tái phát (RNN) là một loại mạng thần kinh có khả năng học hỏi từ dữ liệu thu được trong quá khứ. Chúng được sử dụng để giải quyết các vấn đề liên quan đến xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói, thị giác máy tính và các lĩnh vực khác.

Không giống như các mạng thần kinh thông thường (NN), RNN có kiến ​​trúc đặc biệt cho phép chúng ghi nhớ thông tin nhận được trong quá khứ và sử dụng nó để đưa ra quyết định trong tương lai. Điều này đạt được bằng cách thêm một khối lặp lại vào mạng, khối này lưu trữ thông tin về các trạng thái trước đó của mạng và truyền nó đến các lớp tiếp theo.

Khối lặp lại bao gồm một số phần tử, chẳng hạn như ô nhớ, có thể lưu trữ thông tin về dữ liệu đầu vào trước đó. Mỗi phần tử của ô nhớ có quyền truy cập vào thông tin về các trạng thái trước đó và có thể sử dụng thông tin này để đưa ra quyết định ở trạng thái hiện tại.

Do khả năng ghi nhớ thông tin, RNN có thể xử lý các chuỗi dữ liệu, chẳng hạn như chuỗi các từ trong văn bản hoặc chuỗi dữ liệu theo thời gian. Chúng cũng có thể được sử dụng để dự đoán các giá trị trong tương lai dựa trên dữ liệu trước đó.

Một trong những ưu điểm chính của RNN là chúng có thể xử lý dữ liệu theo thời gian thực, điều này khiến chúng hữu ích cho các ứng dụng yêu cầu xử lý dữ liệu nhanh, chẳng hạn như nhận dạng giọng nói hoặc xử lý dữ liệu tài chính.

Phương thức đệ quy là một hàm (trong ngữ cảnh lập trình) có thể được gọi nhiều lần. Ví dụ, để giải các bài toán đi qua đồ thị hoặc giải phương trình. Một chương trình đệ quy (hoặc các thuật toán đệ quy) sử dụng đệ quy trực tiếp hoặc gián tiếp để giải quyết vấn đề. Điều này có thể dẫn đến việc sử dụng bộ nhớ cao bất ngờ