Since a RNN can have connections be

Since a RNN can have connections between units of any of the layers, the output of each unit has to be identified in terms of time steps, for example outputs at time step t − 1 can be inputs at time step t. It is also possible with some RNN architectures, to preserve a copy of outputs at a previous time step by means of context units. Context units retain these outputs, which can be re-used as inputs in subsequent training steps. Both feed-forward and recurrent architectures were studied as prediction models.

Kết quả (Việt) 1:

Kể từ khi một RNN có thể có các kết nối giữa các đơn vị của bất kỳ của các lớp, đầu ra của mỗi đơn vị đã được xác định về mặt thời gian bước, ví dụ: kết quả đầu ra thời gian bước t − 1 có thể đầu vào thời gian bước t. Nó cũng có thể với một số kiến trúc RNN, để giữ một bản sao của kết quả đầu ra một bước thời gian trước đó bằng phương tiện của đơn vị ngữ cảnh. Bối cảnh đơn vị giữ lại các kết quả đầu ra, mà có thể được tái sử dụng như là đầu vào trong các bước đào tạo tiếp theo. Cả hai nguồn cấp dữ liệu về phía trước và thường xuyên được nghiên cứu như là mô hình dự đoán.

Kết quả (Việt) 2:

Kể từ khi một RNN có thể có các kết nối giữa các đơn vị của bất kỳ của các lớp, đầu ra của từng đơn vị phải được xác định trong các điều khoản của bước thời gian, cho kết quả đầu ra ví dụ tại bước thời gian t - 1 có thể là đầu vào lúc bước t. Nó cũng có thể với một số kiến ​​trúc RNN, lưu giữ bản sao của kết quả đầu ra tại một thời gian bước trước đó bằng phương tiện của các đơn vị ngữ cảnh. đơn vị Context giữ lại những kết quả đầu ra, mà có thể được tái sử dụng làm nguyên liệu đầu vào trong các bước đào tạo tiếp theo. Cả hai kiến ​​trúc feed-forward và tái phát đã được nghiên cứu như các mô hình dự báo.