深入解析机器学习 第十四章 循环神经网络

阐述经典前馈 neural 网络的基本架构及其工作原理。
分析两种主要类型：前馈 neural 网络与 recurrent neural network 的区别及其适用场景。
探讨 recurrent neural network 在处理时间依赖数据时的实际应用及其效果。
指出 recurrent neural network 在某些方面的局限性及其原因。
通过结合深度学习框架 keras 设计的 recurrent neural network 模型来实现文章归属检测系统。

循环神经网络

这些常见的神经网络架构在具备长期依赖关系的能力方面存在不足。它们对每个输入样本进行独立处理，并无法存储来自之前输入的信息来辅助分析当前样本。由于其架构设计中缺乏机制来维持上下文信息，在现有的架构设计中存在明显的局限性。或许可以通过引入额外的组件来改善这一点。这正是可行的方法之一——循环神经元架构（Recurrent Neural Networks, RNNs）就是为此而被设计出来的

循环神经网络应用

·语音识别 ：包括亚马逊Alexa、苹果Siri以及谷歌语音助手等主流品牌在内的一系列智能设备均普遍采用基于RNN的技术。

·时序数据分析：

·自然语言处理 ：在自然语言处理领域中，包括机器翻译工具（如Google Translate）、对话机器人（如Slack