递归神经网络(RNNs)基本原理及新近进展
2016-08-27 崔振 知乎
摘要 递归神经网络(Recurrent Neural Network, RNNs)的研究最近取得了很大进展，成功应用包括手写识别、语音识别、自然语言处理以及计算机视觉等一系列问题。本文介绍了递归神经网络的基本原理与近期进展，并对若干代表性工作进行了回顾。 导读 递归神经网络（RNN）是目前最流行的几种深度学习网络结构之一，因其递归处理历史信息和建模历史记忆的功能特点而特别适用于处理时间、空间
摘要 递归神经网络(Recurrent Neural Network, RNNs)的研究最近取得了很大进展，成功应用包括手写识别、语音识别、自然语言处理以及计算机视觉等一系列问题。本文介绍了递归神经网络的基本原理与近期进展，并对若干代表性工作进行了回顾。 导读 递归神经网络（RNN）是目前最流行的几种深度学习网络结构之一，因其递归处理历史信息和建模历史记忆的功能特点而特别适用于处理时间、空间序列上有强关联的信息。2016年Gartner智能机器成熟度曲线图中目前处于发展途上的NLP和NLG（以及基于此的智能客服、交流机器人、音频/视频理解等领域）都是典型的RNN应用方向，截至2016年3月，全球已经有将近300家企业活跃于NLP、NLG应用领域。 除了应用在NLP、NLG领域，RNN在计算机机视觉领域也发挥着日益重要的作用。本期青年学者专栏由东南大学的崔振副教授为大家带来递归神经网络学习专题，文章总结了RNN的技术框架与发展脉络梳理，系统介绍了其在计算机视觉领域的最新研究进展，是RNN在计算机视觉领域的一个前沿技术综述。 （本导读由线性资本提供） 递归神经网络(Recurrent Ne
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#神经网络#
57
谢谢指导
104
好好学习一下
74
深度学习的核心
71
收藏一下
0
继续学习
90
继续关注
49