第三部分 循环神经网络原理及模型视频课程

1

课程导引介绍本节课主要的内容

2

序列场景分析序列数据是很多的场景中都会碰到的形式，这是一类极具代表性的数据，针对这一类数据背后的问题，我们有很多的方法来解决。本节课对序列数据的场景进行分析并给出相关介绍。

3

初识循环神经网络循环网络是适合处理序列数据的一种神经网络模型，其本身的特点与序列数据能够完美匹配。当然这类网络的训练也是有着相对困难的地方。本节课将会介绍循环神经网络的基本概念和结构

4

突破障碍的LSTMLSTM 网络是针对循环网络的弱点提出来的一种相对复杂的循环网络结构，它也是很多网络结构设计的基础。由于其具备了一点的记忆能力，使得在处理序列问题中更加能够克服长距离预测问题。本节课我们会介绍 LSTM 这个循环神经网络。

5

新式的简化变体GRU网络经过多年发展，大家发现通过简化 LSTM 模型也能够得到能力相当的模型。其中具有代表性的工作就是 GRU，通过适当改变门限的设计而成的网络。本节课会简单介绍 GRU 网络

6

神经图灵机整体结构LSTM 网络是增加一定的记忆能力，但这点记忆还不足够。NTM 是一种引入外部记忆的网络结构。本节课我们给出神经图灵机的整体架构

7

神经图灵机-寻址神经图灵机其中一个重要的功能是寻址，本节课介绍并分析寻址的具体过程

8

神经图灵机-控制器神经图灵机另一个重要的模块是控制器，本节课介绍并分析控制器模块

9

paddlepaddle实现LSTM和GRUPaddlePaddle 实现 LSTM 和 GRU 模型