TensorFlow - 循环神经网络
-
简述
循环神经网络是一种面向深度学习的算法,它遵循顺序方法。在神经网络中,我们总是假设每个输入和输出都独立于所有其他层。这些类型的神经网络被称为循环,因为它们以顺序方式执行数学计算。考虑以下步骤来训练循环神经网络 -步骤 1 - 从数据集中输入一个具体的例子。步骤 2 - 网络将举个例子,使用随机初始化的变量计算一些计算。步骤 3 − 然后计算预测结果。步骤 4 − 实际生成的结果与期望值的比较会产生误差。步骤 5 - 为了跟踪错误,它通过变量也被调整的相同路径传播。步骤 6 - 重复从 1 到 5 的步骤,直到我们确信声明用于获取输出的变量已正确定义。步骤 7 - 通过应用这些变量来获得新的看不见的输入来进行系统预测。表示循环神经网络的示意图方法如下所述 - -
使用 TensorFlow 实现循环神经网络
在本节中,我们将学习如何使用 TensorFlow 实现循环神经网络。步骤 1 − TensorFlow 包括用于特定实现循环神经网络模块的各种库。如上所述,这些库有助于定义输入数据,它构成了循环神经网络实现的主要部分。步骤 2- 我们的主要动机是使用循环神经网络对图像进行分类,我们将每个图像行视为一个像素序列。MNIST 图像形状具体定义为 28*28 px。现在,我们将为提到的每个样本处理 28 个 28 个步骤的序列。我们将定义输入参数以完成序列模式。步骤 3− 使用 RNN 中定义的函数计算结果以获得最佳结果。在这里,将每个数据形状与当前输入形状进行比较,并计算结果以保持准确率。步骤 4- 在这一步中,我们将启动图以获得计算结果。这也有助于计算测试结果的准确性。下面的屏幕截图显示了生成的输出 -