【论文翻译】End-To-End Memory Networks
Astract： 本文提出了一种基于大规模外部记忆的RNN，可以端到端训练，需要更少的监督数据，比前一个版本更实用。它也可以被看作是RNN研究的扩展，在这种情况下，每个输出符号执行多个计算步骤。 1 .Introduction 人工智能研究面临的两大挑战是，建立能够在回答问题或完成任务时执行多个计算步骤的模型，以及能够描述序列数据中长期依赖关系的模型。 本文提出了一种新的RNN架构，在输出的时
相关文章
- 1. 论文翻译：GRAPH ATTENTION NETWORKS
- 2. Deformable Convolutional Networks论文翻译——中文版
- 3. ResNet论文翻译
- 4. 【论文翻译】Fully Convolutional Networks for Semantic Segmentation
- 5. 论文阅读：Memory Networks
- 6. Memory Networks论文串烧
- 7. Memory Augmented Graph Neural Networks for Sequential Recommendation翻译
- 8. 【论文翻译】Visualizing and Understanding Convolutional Networks
- 9. Deep Neural Networks for Object Detection论文翻译
- 10. 论文翻译：2017_Audio super resolution using neural networks
- 更多相关文章...
- • Eclipse 编译项目 - Eclipse 教程
- • CAP理论是什么？ - NoSQL教程
- • Scala 中文乱码解决
- • 三篇文章了解 TiDB 技术内幕——说存储
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 论文翻译：GRAPH ATTENTION NETWORKS
- 2. Deformable Convolutional Networks论文翻译——中文版
- 3. ResNet论文翻译
- 4. 【论文翻译】Fully Convolutional Networks for Semantic Segmentation
- 5. 论文阅读：Memory Networks
- 6. Memory Networks论文串烧
- 7. Memory Augmented Graph Neural Networks for Sequential Recommendation翻译
- 8. 【论文翻译】Visualizing and Understanding Convolutional Networks
- 9. Deep Neural Networks for Object Detection论文翻译
- 10. 论文翻译：2017_Audio super resolution using neural networks