个人总结：从RNN到LSTM GRU 注意力机制

时间 2021-01-12

原文原文链接

前言 RNN擅长解决的问题是连续的序列，且序列的长短不一，比如基于时间的序列：一段段连续的语音等。这些序列比较长，且长度不一，比较难直接拆分成一个个独立的样本通过DNN/CNN进行训练。而RNN由于其独有的结构和优势，能够处理DNN/CNN所不能及的问题。 RNN的5种不同架构 one2one: 一个输入对应一个输出。 one2many: 一个输入对应多个输出，这个架构多用于图片的对象识别，即输

>>阅读原文<<

1. 从RNN到LSTM再到GRU
2. （CS231n）RNN,LSTM,GRU总结
3. RNN - LSTM - GRU
4. 从RNN到LSTM、GRU、语言模型
5. RNN、LSTM、GRU
6. RNN&LSTM&GRU
7. attention RNN LSTM Gru gate
8. RNN、GRU、LSTM
9. 注意力机制总结
10. Lession5(RNN)--week1--LSTM,GRU
更多相关文章...
• XML 注意事项 - XML 教程
• TiDB数据库的管理机制 - NoSQL教程
• 漫谈MySQL的锁机制
• 算法总结-回溯法