یادگیری عمیق به زبان ساده : شبکه های تنسور عصبی بازگشتی – قسمت یازدهم

برخی از الگو های ذاتاً سلسله مراتبی هستند ، مانند تجزیه درختی یک جمله از زبان طبیعی. شبکه تنسور عصبی بازگشتی ( RNTN ) ابزاری قدرتمند برای رمزگشایی و برچسب زدن این نوع الگوهای است.

RNTN توسط ریچارد ساکر به منظور پرداختن به مساله اصلی تکنیک های فعلی تحلیل احساسات ، طراحی شده است؛ منفی دو برابر به عنوان منفی در نظر گرفته می شود. از لحاظ ساختاری ، RNTN یک درخت باینری است که سه گره دارد: یک ریشه و دو برگ. گره های ریشه و برگ سلول های عصبی نیستند ، بلکه در عوض آن ها گروه های عصبی هستند؛ هرچه داده های ورودی پیچیده تر باشند ، نورون های بیشتری لازم است. همانطور که انتظار می رود ، گروه ریشه به هر گروه برگ وصل می شود ، اما گروه های برگ ارتباطی با یکدیگر ندارند. با وجود ساختار ساده شبکه ،  RNTN قادر به استخراج الگوهای عمیق و پیچیده از مجموعه ای از داده ها است.

RNTN از طریق یک فرآیند بازگشتی الگوها را تشخیص می دهد. در یک برنامه تجزیه جمله‌ که در آن هدف شناسایی عناصر گرامری در یک جمله است (مانند یک عبارت اسمی یا یک عبارت فعلی) ، کلمات اول و دوم در ابتدا به صورت یک مجموعه عددی مرتب شده معروف به بردار تبدیل می شوند. روش تبدیل بسیار فنی است ، اما مقادیر عددی موجود در بردار نشان می دهد که کلمات در مقایسه با سایر کلمات در دایره واژگان، از چه لحاظ با یکدیگر ارتباط دارند.

پس از تشکیل بردارهای کلمه اول و دوم ، به ترتیب به گروه های برگ راست و برگ چپ داده می شوند. گروه ریشه در کنار موارد دیگر ، نمایشی از تجزیه فعلی را ایجاد می کند. سپس این شبکه دوباره این بردار را به یکی از گروه های برگ تغذیه می کند و سپس به صورت بازگشتی ترکیبات متفاوتی از کلمات باقیمانده را به گروه برگ دیگر تغذیه می کند. از طریق این فرآیند ، شبکه قادر به تجزیه و تحلیل هر تجزیه نحوی ممکن است. اگر در طول بازگشت ، ورودی های شبکه به اتمام برسد، تجزیه فعلی تخمین زده می شود و با تجزیه های کشف شده قبلی مقایسه می شود. تجزیه ای که بیشترین نمره را دارد، به عنوان ساختار تجزیه یا دستوری بهینه در نظر گرفته می شود و به عنوان خروجی نهایی تحویل داده می شود.

پس از تعیین تجزیه بهینه ، شبکه، مسیر را برای مشخص کردن برچسب های مناسب برای اعمال در هر زیر ساخت به عقب بر می گردد. در این حالت ، زیر ساختارها می توانند عبارت های اسمی ، عبارات فعلی ، عبارات احتمالی و غیره باشند.

RNTN در پردازش زبان طبیعی برای تجزیه و تحلیل احساسات و تجزیه نحوی استفاده می شود. آن ها همچنین می توانند در تجزیه صحنه برای شناسایی قسمت های مختلف یک تصویر استفاده شوند.

آیا تاکنون با داده هایی کار کرده اید که دارای الگوهای اساسی سلسله مراتبی بوده اند؟ لطفا نظر دهید و به ما بگویید که شما چه چیزی یاد گرفتید.

منبع Youtube
0/5 (0 نظر)

درباره‌ی احمدرضا جعفری

همچنین ببینید

سخت افزار یادگیری عمیق FPGA و GPU و CPU و TPU

CPU ، GPU، FPGA یا TPU : کدام یک را برای آموزش یادگیری ماشین خود انتخاب کنم؟

در حال حاضر، ارائه دهندگان فناوری ابری، برای برنامه یادگیری ماشین شما ، گزینه های …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *