For example, an "input gate" contro

For example, an "input gate" controls the extent to which a new value flows into the memory. A "forget gate" controls the extent to which a value remains in memory. And, an "output gate" controls the extent to which the value in memory is used to compute the output activation of the block. (In some implementations, the input gate and forget gate are combined into a single gate. The intuition for combining them is that the time to forget is when a new value worth remembering becomes available.)

The only weights in an LSTM block ( {displaystyle W} W and {displaystyle U} U) are used to direct the operation of the gates. These weights occur between the values that feed into the block (including the input vector {displaystyle x_{t}} x_{t}, and the output from the previous time step {displaystyle h_{t-1}} {displaystyle h_{t-1}}) and each of the gates. Thus, the LSTM block determines how to maintain its memory as a function of those values, and training its weights causes the LSTM block to learn the function that minimizes loss. LSTM blocks are usually trained with Backpropagation through time.

Kết quả (Việt) 1:

Ví dụ, một "cổng vào" kiểm soát mức độ mà một giá trị mới chảy vào bộ nhớ. "Quên gate" kiểm soát trong phạm vi mà giá trị vẫn còn trong bộ nhớ. Và, một "cửa ngõ ra" điều khiển mức độ mà các giá trị trong bộ nhớ được sử dụng để tính toán kích hoạt đầu ra của các khối. (Trong một số hiện thực, đầu vào cổng và quên gate được kết hợp thành một cổng đơn. Trực giác cho kết hợp đó là thời gian để quên khi một giá trị mới đáng ghi nhớ trở nên có sẵn.)Trọng lượng chỉ trong một khối LSTM ({displaystyle W} W và {displaystyle U} U) được sử dụng để trực tiếp hoạt động của cổng. Trọng lượng các xảy ra giữa các giá trị vào khối (bao gồm cả đầu vào vector {displaystyle x_ {t}} x_ {t}, và đầu ra từ thời gian bước trước {displaystyle h_ {t-1}} {displaystyle h_ {t-1}}) và mỗi người trong số các cửa. Do đó, khối LSTM xác định làm thế nào để duy trì bộ nhớ của nó như là một chức năng của các giá trị, và đào tạo trọng lượng của nó gây ra các khối LSTM để tìm hiểu các chức năng giảm thiểu thiệt hại. LSTM khối thường được đào tạo với Backpropagation qua thời gian.

Kết quả (Việt) 2:

Ví dụ, một "cổng vào" kiểm soát mức độ mà một giá trị mới chảy vào trong bộ nhớ. Một "quên cửa" kiểm soát mức độ mà một giá trị vẫn còn trong bộ nhớ. Và, một "cửa ra" kiểm soát mức độ mà các giá trị trong bộ nhớ được sử dụng để tính toán kích hoạt đầu ra của khối. (Trong một số hiện thực, các cổng đầu vào và quên khẩu được kết hợp vào một cổng duy nhất. Trực giác cho kết hợp chúng là thời gian để quên là khi một giá trị mới đáng ghi nhớ trở nên có sẵn.)

Các trọng chỉ trong một khối LSTM ({ displaystyle W} W và { displaystyle U} U) được sử dụng để chỉ đạo hoạt động của các cửa. Các trọng xảy ra giữa các giá trị mà ăn vào khối (bao gồm cả các vector đầu vào { displaystyle X_ {t}} X_ {t}, và sản lượng từ các bước thời gian trước đó { displaystyle h_ {t-1}} { displaystyle h_ {t-1}}) và mỗi cổng. Như vậy, khối LSTM xác định làm thế nào để duy trì bộ nhớ của nó như là một chức năng của những giá trị, và đào tạo trọng lượng của nó gây ra các khối LSTM để tìm hiểu những chức năng giảm thiểu thiệt hại. khối LSTM thường được huấn luyện với lan truyền ngược qua thời gian.

Kết quả (Việt) 3:

Ví dụ, một "gõ cửa" kiểm soát ở một giá trị mới chảy vào mức độ của bộ nhớ.Một "lãng quên cửa" kiểm soát một giá trị ở mức độ trong ký ức.Và, một "đầu ra cửa" kiểm soát ở trong bộ nhớ được dùng để tính toán giá trị nên đồng xuất mức độ hoạt động.Ở một số thành các cửa và quên gõ cửa, bị sáp nhập thành một cánh cửa.Kết hợp với trực giác của họ là quên thời gian là khi một giá trị của ký ức mới xứng đáng trở nên có sẵn.Trong một khối duy nhất (LSTM [] và [displaystyle displaystyle W u] U) là dùng để hướng dẫn hoạt động cửa.Những giá trị xảy ra giữa thành Đô (bao gồm cả nhập dữ liệu vectơ [displaystyle x_ {T}] x_ {T}, và kết xuất từng bước tổ chức từ thời gian của [] [] [displaystyle h_ T-1 displaystyle h_ [T-1]]) và mỗi cánh cửa.Vì vậy, nên quyết định cách giữ cho những ký ức về khối chức năng giá trị của nó dẫn đến khối lượng, huấn luyện LSTM học chức năng, giảm thiểu thiệt hại.LSTM. Toà nhà đã được thường được huấn luyện, vượt thời gian của thuật toán truyền ngược.