The recurrent neural network (RNN)

The recurrent neural network (RNN) is a special type of neural network equipped with additional recurrent connections. Those u- nique recurrent connections enable the RNN to store the processed information and capture the long-range dependencies between input data. Therefore, the RNN has been regarded as an expressive model to process nonlinear sequential processing tasks, such as speech recognition, nature language processing and even video indexing [14]. However, the large computation complexity makes it difficult to effectively train a RNN and therefore significantly limits the research on RNNs in the last 20 years.

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาทเกิดซ้ำ (RNN) เป็นชนิดพิเศษของโครงข่ายประสาทพร้อมกับการเชื่อมต่อเกิดซ้ำเพิ่มเติม เชื่อมต่อเหล่านั้นเกิดซ้ำ u nique เปิด RNN เพื่อจัดเก็บข้อมูลประมวลผล และจับความสัมพันธ์ระยะยาวระหว่างป้อนข้อมูล ดังนั้น RNN ได้ถูกถือเป็นรูปแบบการแสดงออกการดำเนินการไม่เชิงเส้นในการประมวลผลลำดับงาน การรู้จำเสียง การประมวลผลภาษาธรรมชาติ และวิดีโอแม้แต่ดัชนี [14] อย่างไรก็ตาม ความซับซ้อนคำนวณขนาดใหญ่ทำให้ difficult ได้อย่างมีประสิทธิภาพฝึก RNN และดังนั้น significantly จำกัดวิจัยบน RNNs ใน 20 ปี

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทกำเริบ (RNN) เป็นชนิดพิเศษของเครือข่ายประสาทพร้อมกับการเชื่อมต่อที่เกิดขึ้นเพิ่มเติม การเชื่อมต่อเหล่านั้นเกิดขึ้นอีก u- nique ให้ RNN ในการจัดเก็บข้อมูลการประมวลผลและจับอ้างอิงระยะยาวระหว่างการป้อนข้อมูล ดังนั้น RNN ได้รับการยกย่องในฐานะที่เป็นรูปแบบการแสดงออกในการประมวลผลเชิงงานการประมวลผลตามลำดับเช่นรู้จำเสียงพูด, การประมวลผลภาษาธรรมชาติและการจัดทำดัชนีวิดีโอได้ [14] แต่ความซับซ้อนของการคำนวณขนาดใหญ่ทำให้มันยากที่จะมีประสิทธิภาพในการฝึกอบรม RNN และดังนั้นจึงอย่างมีนัยสำคัญ จำกัด การวิจัยเกี่ยวกับ RNNs ในช่วง 20 ปีที่ผ่านมา

ผลลัพธ์ (ไทย) 3:

เครือข่ายประสาทกำเริบ ( rnn ) เป็นรูปแบบพิเศษของเครือข่ายประสาท พร้อมการเชื่อมต่อที่ดำเนินการเพิ่มเติม พวก U - ปีดำเนินการการเชื่อมต่อให้ rnn เพื่อเก็บข้อมูลที่ประมวลผล และจับการพึ่งพาระยะยาวระหว่างข้อมูลเข้า ดังนั้น rnn ถือเป็นรูปแบบการแสดงออกเชิงกระบวนการลำดับการประมวลผลงานเช่นการรู้จำเสียงพูด , การประมวลผลภาษาธรรมชาติและแม้แต่วิดีโอดัชนี [ 14 ] แต่ความซับซ้อนในการคำนวณมากจึงทำให้แยกศาสนาได้อย่างมีประสิทธิภาพรถไฟ rnn และดังนั้นจึงลดลงอย่างมีนัยสําคัญเมื่อ signi จำกัดการวิจัย rnns ในรอบ 20 ปี