Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
d4a3ecb7
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
d4a3ecb7
编写于
6月 04, 2018
作者:
A
Aston Zhang
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
restore
上级
94c8c3d3
变更
2
隐藏空白更改
内联
并排
Showing
2 changed file
with
1 addition
and
10 deletion
+1
-10
chapter_natural-language-processing/seq2seq-attention.md
chapter_natural-language-processing/seq2seq-attention.md
+0
-9
chapter_recurrent-neural-networks/bi-rnn.md
chapter_recurrent-neural-networks/bi-rnn.md
+1
-1
未找到文件。
chapter_natural-language-processing/seq2seq-attention.md
浏览文件 @
d4a3ecb7
...
...
@@ -51,15 +51,6 @@ $$\overleftarrow{\boldsymbol{h}}_t = f(\boldsymbol{x}_t, \overleftarrow{\boldsym
当我们希望编码器的输入既包含正向传递信息又包含反向传递信息时,我们可以使用双向循环神经网络。例如,给定输入序列$x_1, x_2,
\l
dots, x_T$,按正向传递,它们在循环神经网络的隐含层变量分别是$
\o
verrightarrow{
\b
oldsymbol{h}}_1,
\o
verrightarrow{
\b
oldsymbol{h}}_2,
\l
dots,
\o
verrightarrow{
\b
oldsymbol{h}}_T$;按反向传递,它们在循环神经网络的隐含层变量分别是$
\o
verleftarrow{
\b
oldsymbol{h}}_1,
\o
verleftarrow{
\b
oldsymbol{h}}_2,
\l
dots,
\o
verleftarrow{
\b
oldsymbol{h}}_T$。在双向循环神经网络中,时刻$i$的隐含层变量可以把$
\o
verrightarrow{
\b
oldsymbol{h}}_i$和$
\o
verleftarrow{
\b
oldsymbol{h}}_i$连结起来。
```
{.python .input n=1}
# 连结两个向量。
from mxnet import nd
h_forward = nd.array([1, 2])
h_backward = nd.array([3, 4])
h_bi = nd.concat(h_forward, h_backward, dim=0)
h_bi
```
### 解码器
编码器最终输出了一个背景向量$
\b
oldsymbol{c}$,该背景向量编码了输入序列$x_1, x_2,
\l
dots, x_T$的信息。
...
...
chapter_recurrent-neural-networks/bi-rnn.md
浏览文件 @
d4a3ecb7
...
...
@@ -23,7 +23,7 @@ $$\boldsymbol{O}_t = \boldsymbol{H}_t \boldsymbol{W}_{hy} + \boldsymbol{b}_y,$$
双向循环神经网络架构如图6.4所示。和前面介绍的单向循环神经网络不同,给定一段时间序列,双向循环神经网络在每个时间步的隐藏状态同时取决于该时间步之前和之后的子序列(包括当前时间步的输入),并可能捕捉了整个序列的信息。
[ti]
![
双向循环神经网络架构。
](
../img/bi-rnn.svg
)
我们将在“自然语言处理”篇章中应用并实验双向循环神经网络。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录