Глибину тензора.

Тип даних у кожному елементі тензора.

Загальну кількість елементів у тензорі.

Кількість елементів у кожному вимірі тензора.

це функція, яка визначається виразом f(x)=1 при x>b, f(x)=(2x-b-a)/(b+a) при a<=x<=b, f(x)=-1 при x<a

це функція, яка визначається виразом f(x)=1 при x>b, f(x)=(2x-a)/(b-a) при a<=x<=b, f(x)=-1 при x<a

це функція, яка визначається виразом f(x)=1 при x>b, f(x)=(2x-b)/(b-a) при a<=x<=b, f(x)=-1 при x<a

це функція, яка визначається виразом f(x)=1 при x>b, f(x)=(2x-b-a)/(b-a) при a<=x<=b, f(x)=-1 при x<a

нейронна мережа, у якої є зворотний зв’язок від виходу до внутрішніх шарів

нейронна мережа, у якої функції активації нейронів прихованого шару пов’язані рекурентними виразами

нейронна мережа, у якої функції активації нейронів вихідного шару пов’язані рекурентними виразами

нейронна мережа, у якої функції активації нейронів пов’язані рекурентними виразами

Використовують лише LSTM для обробки послідовностей.

Використовують лише GRU для обробки послідовностей.

Можуть враховувати як попередній, так і майбутній контекст послідовності.

Можуть враховувати попередній або майбутній контекст послідовності.

Linear Sequential Temporal Model

Latent Sequential Transfer Mechanism

Long Short-Term Memory

Long Sequence Time Memory

Зберігання інформації про наступні елементи послідовності.

Зберігання інформації про попередні елементи послідовності.

Зменшення розмірності даних.

Видалення непотрібних даних із послідовності.

Побудова структури

Навчання нейрон

ної мережі

на навчальних даних x_train з мітками y_train протягом 10 епох з розміром блоків 32,

виділенням частини 0.2 від навчальних даних для валідаційних даних, збереженням

втрат та точності лише валідаційних даних в об’єкті history

Навчання нейрон

ної мережі

на навчальних даних x_train з мітками y_train протягом 10 епох з розміром блоків 32,

виділенням частини 0.2 від навчальних даних для валідаційних даних, збереженням

втрат та точності лише навчальних даних в об’єкті history

Навчання нейрон

ної мережі

на навчальних даних x_train з мітками y_train протягом 10 епох з розміром блоків 32,

виділенням частини 0.2 від навчальних даних для валідаційних даних, збереженням

втрат та точності навчальних та валідаційних даних в об’єкті history

Він вимагає меншої кількості обчислювальних ресурсів.

Він не враховує семантичні зв'язки між словами.

Він застосовується лише для числових даних.

Він створює вектори однакової довжини.

147 488

147 456

49 152

16 384

Візуалізація

активацій після обох згорткових шарів містить по 32 зображення

Візуалізація

активацій після обох згорткових шарів містить по 64 зображення

Візуалізація

активацій після першого згорткового шару містить 64 зображення, а після другого

32 зображення

Візуалізація

активацій після першого згорткового шару містить 32 зображення, а після другого

64 зображення