在Tensorflow中构建递归神经网络
递归神经网络(RNN)可检测顺序数据(例如时间序列数据)中的特征。可以使用RNN进行应用的示例包括时间序列数据中的异常检测,ECG和EEG数据的分类,股市预测,语音识别,情感分析等。
通过将数据展开 到自身的N个不同副本中(如果数据包含N个时间步长)来完成此操作。这样,当评估时间步长的数据时,可以使用先前时间步长的输入数据。如果先前时间步的数据以某种方式与当前时间步的数据相关,则将记住这些相关,否则将其忘记。
t_n-1,t_n-2,t_n-3,...,t_0 t_n
通过展开数据,可以在所有时间步长上共享神经网络的权重,并且RNN可以推广到当前时间步长以外的示例以及训练集中的序列之外。
这是RNN工作原理的简短描述。对于想了解更多信息的人,这里有一些阅读材料,可帮助您快速入门。现在,我想让您记住的是,递归神经网络可以了解顺序数据中是否存在时间依赖性,如果存在,则可以使用哪些依赖性/特征来对数据进行分类。因此,RNN非常适合用于时间序列,信号和文本文档的分类。
因此,让我们从在Tensorflow中实现RNN并使用它们对信号进行分类开始。
题库