Ang Lstm ba ay pinangangasiwaan o hindi pinangangasiwaan?

2024 May -akda: Lynn Donovan | [email protected]. Huling binago: 2023-12-15 23:54

Sila ay isang hindi pinangangasiwaan paraan ng pag-aaral, bagama't sa teknikal, sila ay sinanay sa paggamit pinangangasiwaan mga pamamaraan ng pag-aaral, na tinutukoy bilang self- pinangangasiwaan . Karaniwang sinasanay ang mga ito bilang bahagi ng isang mas malawak na modelo na sumusubok na muling likhain ang input.

Sa bagay na ito, pinangangasiwaan ba ang Lstm?

Ito ay pinangangasiwaan algorithm sa pag-aaral, sa kahulugan na kailangan mong magkaroon ng mga label ng output sa bawat hakbang. Gayunpaman, maaari mong gamitin LSTM sa generative mode para makabuo ng sintetikong data… ngunit, pagkatapos mo itong sanayin sa a pinangangasiwaan fashion.

Sa tabi sa itaas, ang mga Autoencoder ba ay hindi pinangangasiwaan? Autoencoders ay itinuturing na isang hindi pinangangasiwaan diskarte sa pag-aaral dahil hindi nila kailangan ng mga tahasang label para sanayin. Ngunit upang maging mas tumpak, sila ay self-supervised dahil bumubuo sila ng sarili nilang mga label mula sa data ng pagsasanay.

Ang tanong din ay, pinangangasiwaan ba o hindi pinangangasiwaan ang RNN?

Ang neural history compressor ay isang hindi pinangangasiwaan salansan ng mga RNN. Dahil sa maraming matututunang predictability sa papasok na data sequence, ang pinakamataas na antas RNN maaaring gamitin pinangangasiwaang pag-aaral upang madaling uriin kahit malalim na pagkakasunud-sunod na may mahabang pagitan sa pagitan ng mahahalagang kaganapan.

Ang Lstm ba ay isang uri ng RNN?

Mahabang panandaliang memorya ( LSTM ) ay isang artipisyal na paulit-ulit na neural network ( RNN ) arkitektura na ginagamit sa larangan ng malalim na pag-aaral. Hindi tulad ng mga karaniwang feedforward neural network, LSTM may mga koneksyon sa feedback.