However, there are other models of

However, there are other models of artificial neural networks in which feedback loops are possible. These models are called recurrent neural networks. The idea in these models is to have neurons which fire for some limited duration of time, before becoming quiescent. That firing can stimulate other neurons, which may fire a little while later, also for a limited duration. That causes still more neurons to fire, and so over time we get a cascade of neurons firing. Loops don't cause problems in such a model, since a neuron's output only affects its input at some later time, not instantaneously.

Recurrent neural nets have been less influential than feedforward networks, in part because the learning algorithms for recurrent nets are (at least to date) less powerful. But recurrent networks are still extremely interesting. They're much closer in spirit to how our brains work than feedforward networks. And it's possible that recurrent networks can solve important problems which can only be solved with great difficulty by feedforward networks. However, to limit our scope, in this book we're going to concentrate on the more widely-used feedforward networks.

ผลลัพธ์ (ไทย) 1:

อย่างไรก็ตาม มีรุ่นอื่น ๆ ของเครือข่ายประสาทเทียมซึ่งลูปความคิดเห็นที่เป็นไปได้ รุ่นเหล่านี้จะเรียกว่าเครือข่ายประสาทกำเริบ ความคิดในรุ่นเหล่านี้จะมีเซลล์ประสาทที่ไฟบางช่วงระยะเวลาจำกัดของเวลา ก่อนที่จะไม่มีการทำ ยิงที่สามารถกระตุ้นเซลล์ประสาทอื่น ๆ ที่อาจยิงสักเล็กน้อยในภายหลัง สำหรับระยะเวลาที่จำกัดได้ ว่า สาเหตุที่เซลล์ประสาทมากขึ้นลั่นยังคง และเมื่อเวลาผ่านไป เราเริ่มเรียงซ้อนของเซลล์ประสาทที่ยิง ลูปไม่ก่อให้เกิดปัญหาในรูปแบบดังกล่าว ตั้งแต่ผลลัพธ์ของเซลล์ประสาทมีผลต่อการป้อนข้อมูลเท่าที่บางหลัง ไม่ทันทีตาข่ายประสาทกำเริบได้มีอิทธิพลน้อยกว่าเสียงเครือข่าย ส่วนหนึ่งเนื่องจากอัลกอริทึมการเรียนรู้สำหรับมุ้งกำเริบ (อย่างน้อยในวัน) มีประสิทธิภาพน้อย แต่ยังคงมีเครือข่ายเกิดขึ้นน่าสนใจมาก ใกล้ชิดมากในจิตวิญญาณว่าสมองของเราทำงานมากกว่าเครือข่ายเสียงได้ และเป็นไปได้ว่า เครือข่ายที่เกิดขึ้นสามารถแก้ปัญหาสำคัญที่สามารถแก้ไขเพียงอีหลุกขลุกขลัก โดยเครือข่ายเสียง อย่างไรก็ตาม การจำกัดขอบเขตของเรา ในหนังสือเล่มนี้เราจะเน้นเครือข่ายเสียงที่ใช้กันอย่างแพร่หลายมากขึ้น

ผลลัพธ์ (ไทย) 2:

แต่มีรุ่นอื่น ๆ ของเครือข่ายประสาทเทียมในการที่ลูปข้อเสนอแนะที่เป็นไปได้ รูปแบบเหล่านี้จะเรียกว่าเครือข่ายประสาทกำเริบ ความคิดในรูปแบบเหล่านี้คือการมีเซลล์ประสาทที่ไฟไหม้ในช่วงระยะเวลาที่ จำกัด ในบางเวลาก่อนที่จะกลายนิ่ง ยิงที่สามารถกระตุ้นให้เซลล์ประสาทอื่น ๆ ซึ่งอาจจะยิงสักครู่ต่อมานอกจากนี้ยังเป็นช่วงเวลาที่ จำกัด ที่เป็นสาเหตุของเซลล์ประสาทยังคงมากขึ้นที่จะยิงและอื่น ๆ ในช่วงเวลาที่เราได้รับน้ำตกของเซลล์ประสาทยิง ลูปไม่ก่อให้เกิดปัญหาในรูปแบบดังกล่าวเนื่องจากผลผลิตเซลล์ประสาทที่จะมีผลต่อปัจจัยการผลิตในบางเวลาต่อมาไม่ได้ทันที.

ประสาทกำเริบได้รับอิทธิพลน้อยกว่าเครือข่าย feedforward ส่วนหนึ่งเป็นเพราะขั้นตอนวิธีการเรียนรู้สำหรับมุ้งกำเริบเป็น (อย่าง อย่างน้อยจนถึงปัจจุบัน) มีประสิทธิภาพน้อย แต่เครือข่ายที่เกิดขึ้นอีกยังคงน่าสนใจอย่างมาก พวกเขากำลังใกล้ชิดมากในจิตวิญญาณกับวิธีการที่สมองของเราทำงานกว่าเครือข่ายคราท และเป็นไปได้ว่าเครือข่ายที่เกิดขึ้นอีกจะสามารถแก้ปัญหาที่สำคัญที่จะสามารถแก้ไขได้เพียงด้วยความยากลำบากโดยเครือข่ายคราท อย่างไรก็ตามเพื่อ จำกัด ขอบเขตของเราในหนังสือเล่มนี้เรากำลังจะมีสมาธิอยู่กับเครือข่ายอื่น ๆ คราทใช้กันอย่างแพร่หลาย

ผลลัพธ์ (ไทย) 3:

อย่างไรก็ตาม มีรุ่นอื่น ๆของโครงข่ายประสาทเทียมซึ่งใน loops ความคิดเห็นที่เป็นไปได้ โมเดลเหล่านี้จะเรียกว่าเครือข่ายประสาทกำเริบ . ความคิดในรูปแบบเหล่านี้จะมีเซลล์ประสาทที่ไฟสำหรับจำกัดเวลาของเวลา ก่อนที่จะกลายเป็นนิ่ง . ที่ยิงสามารถกระตุ้นเซลล์ประสาทอื่น ๆซึ่งอาจไฟสักพักต่อมายังสำหรับระยะเวลาที่ จำกัด ที่เป็นสาเหตุของเซลล์ประสาทอีก ไฟ ดังนั้นในช่วงเวลาที่เราได้รับจากน้ำตกเซลล์ประสาทยิง ลูปอย่าสร้างปัญหาในรูปแบบ ตั้งแต่เป็นเซลล์ประสาทออกเพียงมีผลต่อการป้อนข้อมูลบางอย่างภายหลัง ไม่ใช่ทันทีข่ายประสาทกำเริบได้มีอิทธิพลน้อยกว่าเครือข่ายไปข้างหน้าในส่วนหนึ่งเพราะการเรียนรู้ขั้นตอนวิธีสำหรับมุ้งกำเริบ ( อย่างน้อยวัน ) ที่มีประสิทธิภาพน้อย แต่เครือข่ายกำเริบยังน่าสนใจมาก มันใกล้มากในจิตวิญญาณเพื่อวิธีสมองของเราทำงานมากกว่าเครือข่ายไปข้างหน้า . และเป็นไปได้ว่า เครือข่ายกำเริบสามารถแก้ไขปัญหาสำคัญซึ่งจะสามารถแก้ไขได้ ด้วยความยากลำบาก โดยเครือข่ายไปข้างหน้า . อย่างไรก็ตาม เพื่อจำกัดขอบเขตของเรา ในหนังสือเล่มนี้ เราจะเน้นใช้กันอย่างแพร่หลายมากขึ้นไปข้างหน้า )