Tekrarlayan Sinir Ağları (RNN) Nelerdir?

1 hafta önce

0 29

Tekrarlayan Sinir Ağları (RNN). RNN ‘ler, hem güçlü hem de sağlam bir tür sinir ağıdır ve kullanımda en umut verici algoritmalardan biridir. Çünkü dahili belleğe sahip olan tek algoritma bunlardır.

Tekrarlayan Sinir Ağı (RNN) Nedir?

Tekrarlayan Sinir Ağları RNN, diğer birçok Derin Öğrenme tekniği gibi nispeten yenidir. İlk olarak 1980’lerde geliştirildiler ancak yakın zamana kadar tam potansiyellerini fark edemedik.

RNN ‘ler, artan bilgisayar gücü, şu anda uğraşmak zorunda olduğumuz büyük miktarda veri ve 1990’larda uzun kısa süreli belleğin (LSTM) ortaya çıkışının bir sonucu olarak ön plana çıktı.

Tekrarlayan Yapay Sinir Ağları, dahili hafızaları sayesinde aldıkları girdiyle ilgili kritik detayları hatırlayabiliyor ve bundan sonra ne olacağını büyük bir doğrulukla tahmin etmelerine olanak tanıyor.

Bu nedenle metin, konuşma, finansal veriler, video, ses ve diğer birçok sıralı veri türü için seçilen algoritmadırlar. Diğer algoritmalarla karşılaştırıldığında, tekrarlayan sinir ağları bir diziyi ve içeriğini çok daha derinden kavrayabilir.

Makine öğreniminde tekrarlayan sinir ağları, Siri ve Google Translate’e güç veren yazılımlarda kullanıldıkları için günlük hayatta sıklıkla karşımıza çıkıyor.

Tekrarlayan Sinir Ağları RNN Nasıl Çalışır?

RNN ‘leri tam olarak anlamak için “normal” ileri beslemeli sinir ağları ve sıralı veriler hakkında çalışma bilgisine ihtiyacınız olacak. Sıralı veriler, ilgili öğelerin birbiri ardına göründüğü basit sıralı verilerdir. Finansal veriler veya DNA dizisi iki örnektir.

Belki de en yaygın sıralı veri türü, yalnızca kronolojik sıraya göre veri noktalarının bir listesi olan zaman serisi verileridir.

RNN’lerin ve ileri beslemeli sinir ağlarının bilgiyi kanalize etme şekli onlara adlarını verir.
İleri beslemeli bir sinir ağındaki bilgi yalnızca tek bir yönde akar: giriş katmanından çıkış katmanına, gizli katmanlardan geçerek. Veriler ağ boyunca düz bir çizgide hareket eder ve asla aynı düğümden iki kez geçmez.

İleri beslemeli sinir ağları, aldıkları bilgileri hatırlamaz ve bundan sonra ne olacağına dair zayıf tahminlerde bulunur. İleri beslemeli bir ağda zaman sırası kavramı yoktur çünkü yalnızca mevcut girişi analiz eder. Eğitimi dışında geçmişte olup bitenleri hatırlamıyor.

Tekrarlayan sinir ağı yapısındaki bilgiler bir döngü aracılığıyla döngü yapar. Bir karar verirken mevcut girdinin yanı sıra önceki girdilerden öğrendiklerini de dikkate alır.

Tipik bir RNN’de kısa süreli bellek mevcuttur. Bir LSTM ile birleştirildiğinde uzun süreli bir belleğe sahiptirler. Ancak dahili hafızası nedeniyle tekrarlayan bir sinir ağı bu karakterleri hatırlayabilir. Çıktı üretir, kopyalar ve ardından ağa geri besler. Tekrarlayan sinir ağları geçmişten gelen bilgileri günümüzden gelen bilgilerle birleştirir.

Sonuç olarak RNN’nin iki girdisi vardır: şimdiki zaman ve yakın geçmiş. Bu önemlidir çünkü veri dizisi bundan sonra ne olacağına dair kritik bilgiler sağlar; bu nedenle bir RNN, diğer algoritmaların yapamadığı görevleri gerçekleştirebilir.

RNN’lerin hem mevcut hem de önceki girdilere ağırlık uyguladığını belirtmekte fayda var. Ek olarak, tekrarlayan bir sinir ağı, ağırlıkları zaman içinde gradyan iniş ve geri yayılım (BPTT) yoluyla ayarlayacaktır.

RNN’ler birden çoğa, çoktan çoğa ve çoğundan bire eşleyebilirken, ileri beslemeli sinir ağları bir girişi bir çıktıya eşler.

Farklı Tekrarlayan Sinir Ağı (RNN) Türleri

BRNN, farklı ağ tasarımına sahip bir RNN türüdür. Çift yönlü RNN’ler doğruluğu artırmak için gelecekteki verileri çekerken, tek yönlü RNN’ler tahmin oluşturmak için yalnızca önceki girdilerden yararlanır.
GRU’lar (geçitli tekrarlayan birimler) : Bu RNN sürümü, aynı zamanda RNN modellerinin kısa süreli hafıza sorunlarını çözmeyi amaçlaması bakımından LSTM’lerle karşılaştırılabilir. Bilgileri yönetmek için “hücre durumları” yerine gizli durumları kullanır ve üç kapı yerine yalnızca iki kapısı vardır: bir sıfırlama kapısı ve bir güncelleme kapısı. Sıfırlama ve güncelleme kapıları, LSTM’lerdeki kapılar gibi, ne kadar bilginin ve hangi bilginin tutulacağını belirler.
Uzun kısa süreli bellek (LSTM) ağları, bellek kapasitesini genişleten bir tür tekrarlayan sinir ağıdır. Sonuç olarak, uzun zaman dilimleriyle ayrılmış önemli deneyimlerden öğrenmeye son derece uygundur.

Bazen LSTM ağı olarak da adlandırılan RNN’nin katmanları, LSTM’nin birimleri kullanılarak oluşturulur.

Tekrarlayan Sinir Ağları (RNN) ‘ler, LSTM’ler nedeniyle girdileri uzun süre geri çağırabilirler. Bunun nedeni, LSTM’lerin bilgileri bir bilgisayarınkine benzer şekilde hafızada saklamasıdır. LSTM, belleğindeki verileri okuma, yazma ve silme yeteneğine sahiptir.

Etiketler