Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
หน่วยความจำระยะสั้นแบบยาว (long short-term memory, LSTM) เป็นสถาปัตยกรรมโครงข่ายประสาทแบบเวียนซ้ำ (RNN) ที่ใช้ในสาขา การเรียนรู้เชิงลึก LSTM ต่างจากโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าแบบมาตรฐานตรงที่ LSTM มีจุดเชื่อมต่อป้อนกลับที่ทำให้เป็น "ตัวคำนวณเอนกประสงค์'' (กล่าวคือสามารถคำนวณอะไรก็ได้ที่เครื่องทัวริงสามารถคำนวณได้) LSTM สามารถประมวลผลได้ไม่เพียงแต่จุดข้อมูลเดียว (เช่น รูปภาพ) แต่ยังรวมถึงแถวลำดับข้อมูลทั้งหมด (เช่น เสียงพูดหรือวิดีโอ) ตัวอย่างเช่น LSTM สามารถนำไปใช้กับงานต่าง ๆ อย่างที่เชื่อมต่อแบบไม่แบ่งส่วน และ การรู้จำคำพูด นิตยสาร ได้เขียนไว้ว่า "ความสามารถนี้ทำให้ LSTM เป็นความสำเร็จด้านปัญญาประดิษฐ์ที่มีในเชิงพาณิชย์มากที่สุด ซึ่งใช้สำหรับทุกอย่างตั้งแต่การทำนายโรคไปจนถึงการแต่งเพลง"
หน่วย LSTM โดยทั่วไปประกอบขึ้นจากเซลล์ที่ประกอบไปด้วย ประตูป้อนเข้า (input gate), ประตูขาออก (output gate) และ ประตูลืมเลือน (forget gate) ตัวเซลล์จะเก็บค่าตามช่วงเวลาที่กำหนดโดยประตูทั้ง 3 ช่องจะควบคุมการไหลของข้อมูลเข้าและออกจากเซลล์จัดเก็บข้อมูล
โครงข่าย LSTM เหมาะอย่างยิ่งสำหรับปัญหาการจำแนกเชิงสถิติ และ การทำนาย ตามข้อมูล เนื่องจากโครงข่าย LSTM อาจส่งผลให้เกิดความแตกต่างตามช่วงเวลาที่ไม่ทราบระหว่างเหตุการณ์สำคัญในอนุกรมเวลา LSTM ได้รับการพัฒนาขึ้นมาเพื่อจัดการกับ ปัญหาความชันอันตรธานซึ่งอาจเกิดขึ้นเมื่อฝึก RNN แบบดั้งเดิม
LSTM อยู่ในกระแสหลักจนถึงช่วงทศวรรษ 2010 แต่ตั้งแต่ ปี 2017 เป็นต้นมาได้ถูกแทนที่ด้วยแบบจำลองที่มีประสิทธิภาพสูงกว่าที่เรียกว่า ทรานส์ฟอร์เมอร์
อ้างอิง
- Sepp Hochreiter; Jürgen Schmidhuber (1997). "Long short-term memory". Neural Computation. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. PMID 9377276.
- Siegelmann, Hava T.; Sontag, Eduardo D. (1992). On the Computational Power of Neural Nets. ACM. Vol. COLT '92. pp. 440–449. doi:10.1145/130385.130432. ISBN .
- Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (5): 855–868. 10.1.1.139.4502. doi:10.1109/tpami.2008.137. PMID 19299860.
- Sak, Hasim; Senior, Andrew; Beaufays, Francoise (2014). "Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling" (PDF). สืบค้นเมื่อ 2019-04-03.
- Li, Xiangang; Wu, Xihong (2014-10-15). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". :1410.4281 [cs.CL].
- Vance, Ashlee (May 15, 2018). "Quote: These powers make LSTM arguably the most commercial AI achievement, used for everything from predicting diseases to composing music". Bloomberg Business Week. สืบค้นเมื่อ 2019-01-16.
- Hochreiter, Sepp; Schmidhuber, Jürgen (1996-12-03). "LSTM can solve hard long time lag problems". Proceedings of the 9th International Conference on Neural Information Processing Systems. NIPS'96. Cambridge, MA, USA: MIT Press: 473–479.
- Felix A. Gers; Jürgen Schmidhuber; Fred Cummins (2000). "Learning to Forget: Continual Prediction with LSTM". . 12 (10): 2451–2471. 10.1.1.55.5709. doi:10.1162/089976600300015015. PMID 11032042. S2CID 11598600.
wikipedia, แบบไทย, วิกิพีเดีย, วิกิ หนังสือ, หนังสือ, ห้องสมุด, บทความ, อ่าน, ดาวน์โหลด, ฟรี, ดาวน์โหลดฟรี, mp3, วิดีโอ, mp4, 3gp, jpg, jpeg, gif, png, รูปภาพ, เพลง, เพลง, หนัง, หนังสือ, เกม, เกม, มือถือ, โทรศัพท์, Android, iOS, Apple, โทรศัพท์โมบิล, Samsung, iPhone, Xiomi, Xiaomi, Redmi, Honor, Oppo, Nokia, Sonya, MI, PC, พีซี, web, เว็บ, คอมพิวเตอร์
hnwykhwamcarayasnaebbyaw long short term memory LSTM epnsthaptykrrmokhrngkhayprasathaebbewiynsa RNN thiichinsakha kareriynruechingluk LSTM tangcakokhrngkhayprasathethiymaebbpxnipkhanghnaaebbmatrthantrngthi LSTM micudechuxmtxpxnklbthithaihepn twkhanwnexnkprasngkh klawkhuxsamarthkhanwnxairkidthiekhruxngthwringsamarthkhanwnid LSTM samarthpramwlphlidimephiyngaetcudkhxmulediyw echn rupphaph aetyngrwmthungaethwladbkhxmulthnghmd echn esiyngphudhruxwidiox twxyangechn LSTM samarthnaipichkbngantang xyangthiechuxmtxaebbimaebngswn aela karrucakhaphud nitysar idekhiyniwwa khwamsamarthnithaih LSTM epnkhwamsaercdanpyyapradisththimiinechingphanichymakthisud sungichsahrbthukxyangtngaetkarthanayorkhipcnthungkaraetngephlng esllhnwykhwamcarayasnaebbyaw LSTM pramwlphlkhxmulxyangtxenuxngaelasamarthrksasthanathisxnxyuiwidepnrayaewlanan hnwy LSTM odythwipprakxbkhuncakesllthiprakxbipdwy pratupxnekha input gate pratukhaxxk output gate aela pratulumeluxn forget gate twesllcaekbkhatamchwngewlathikahndodypratuthng 3 chxngcakhwbkhumkarihlkhxngkhxmulekhaaelaxxkcakesllcdekbkhxmul okhrngkhay LSTM ehmaaxyangyingsahrbpyhakarcaaenkechingsthiti aela karthanay tamkhxmul enuxngcakokhrngkhay LSTM xacsngphlihekidkhwamaetktangtamchwngewlathiimthrabrahwangehtukarnsakhyinxnukrmewla LSTM idrbkarphthnakhunmaephuxcdkarkb pyhakhwamchnxntrthansungxacekidkhunemuxfuk RNN aebbdngedim LSTM xyuinkraaeshlkcnthungchwngthswrrs 2010 aettngaet pi 2017 epntnmaidthukaethnthidwyaebbcalxngthimiprasiththiphaphsungkwathieriykwa thransfxremxrxangxingSepp Hochreiter Jurgen Schmidhuber 1997 Long short term memory Neural Computation 9 8 1735 1780 doi 10 1162 neco 1997 9 8 1735 PMID 9377276 Siegelmann Hava T Sontag Eduardo D 1992 On the Computational Power of Neural Nets ACM Vol COLT 92 pp 440 449 doi 10 1145 130385 130432 ISBN 978 0897914970 Graves A Liwicki M Fernandez S Bertolami R Bunke H Schmidhuber J 2009 A Novel Connectionist System for Improved Unconstrained Handwriting Recognition PDF IEEE Transactions on Pattern Analysis and Machine Intelligence 31 5 855 868 10 1 1 139 4502 doi 10 1109 tpami 2008 137 PMID 19299860 Sak Hasim Senior Andrew Beaufays Francoise 2014 Long Short Term Memory recurrent neural network architectures for large scale acoustic modeling PDF subkhnemux 2019 04 03 Li Xiangang Wu Xihong 2014 10 15 Constructing Long Short Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition 1410 4281 cs CL Vance Ashlee May 15 2018 Quote These powers make LSTM arguably the most commercial AI achievement used for everything from predicting diseases to composing music Bloomberg Business Week subkhnemux 2019 01 16 Hochreiter Sepp Schmidhuber Jurgen 1996 12 03 LSTM can solve hard long time lag problems Proceedings of the 9th International Conference on Neural Information Processing Systems NIPS 96 Cambridge MA USA MIT Press 473 479 Felix A Gers Jurgen Schmidhuber Fred Cummins 2000 Learning to Forget Continual Prediction with LSTM 12 10 2451 2471 10 1 1 55 5709 doi 10 1162 089976600300015015 PMID 11032042 S2CID 11598600