🔄Tekrarlayan Sinir Ağları (RNN)

🔄 Tekrarlayan Sinir Ağları (RNN)

🔎 Tanım

Önceki çıkışların sonraki katmanlara giriş olarak kullanılmasına izin veren bir sinir ağı sınıfıdır

Eğitim sırasında öğrendikleri şeyleri hatırlarlar ✨

🧱 Mimari

🔶 RNN Tamamının Mimarisi

🧩 Bir RNN Hücresi

Temel bir RNN hücresi. $x^{⟨t⟩}$'yi (Şimdiki girdi) ve $a^{⟨t−1⟩}$'yi (geçmişten gelen bilgileri içeren önceki gizli durum) girdi olarak alır, bir sonraki RNN hücresine verilen ve aynı zamanda $y^{⟨t⟩}$'yi tahmin etmek için kullanılan $a^{⟨t⟩}$'yi çıktı olarak verir

⏩ Forward Propagation

$a^{<t>}$'yi hesaplamak için:

$a^{<t>}=g(W_{aa}a^{<t-1>}+W_{ax}x^{<t>}+b_a)$

$\hat{y}^{<t>}$'yi hesaplamak için:

$\hat{y}^{<t>} = g(W_{ya}a^{<t>}+b_y)$

👀 Görselleştirme

⏪ Back Propagation

Kayıp fonksiyonu aşağıdaki şekilde tanımlanır

$L^{<t>}(\hat{y}^{<t>}, y^{<t>})=-y^{<t>}log(\hat{y})-(1-y^{<t>})log(1-\hat{y}^{<t>})$

$L(\hat{y},y)=\sum_{t=1}^{T_y}L^{<t>}(\hat{y}^{<t>}, y^{<t>})$

🎨 RNN Türleri

• 1️⃣ ➡ 1️⃣ One-to-One (Klasik ANN)

• 1️⃣ ➡ 🔢 One-to-Many (Müzik Üretme)

• 🔢 ➡ 1️⃣ Many-to-One (Anlamsal Analiz)

• 🔢 ➡ 🔢 Many-to-Many $T_x = T_y$ (Konuşma tanıma)

• 🔢 ➡ 🔢 Many-to-Many $T_x \neq T_y$ (Makine Çevirisi)

🔥 Gelişmiş Tekrarlayan Sinir Ağları

🔄 Çift Yönlü Tekrarlayan Yapay Sinir Ağları (BRNN)

• Birçok uygulamada, tüm giriş sırasına bağlı olabilecek bir $y^{(t)}$ tahmini çıkarmak isteyebiliriz

• Bidirectional RNN'ler dizinin başlangıcından başlayarak zaman içinde ileri hareket eden bir RNN'i, dizinin sonundan başlayarak zaman boyunca geri hareket eden bir RNN ile birleştirirler.

💬 Başka Bir Deyişle

• Çift Yönlü Tekrarlayan Yapay Sinir Ağları aslında iki bağımsız RNN bir araya getiriyorlar.

• Giriş dizisi bir ağ için normal zaman sırasıyla, diğeri için ters zaman sırasıyla aktarılır.

• İki ağın çıkışları genellikle her zaman adımında birleştirilir.

• 🎉 Bu yapı, ağların, her adımda dizi hakkında hem geri hem de ileri bilgiye sahip olmalarını sağlar.

👎 Dezavantaj

Tahmin yapmadan önce tüm veri dizisine ihtiyacımız vardır.

e.g: gerçek zamanlı konuşma tanıma için uygun değildir

👀 Görselleştirme

🕸 Derin RNN'ler

Çoğu RNN hesaplamaları, üç parametre bloğuna ve ilişkili dönüşümlere ayrıştırılabilir.: 1. Girişten gizli duruma, $x^{(t)}$ ➡ $a^{(t)}$ 2. Önceki gizli durumdan sonraki gizli duruma, $a^{(t-1)}$ ➡ $a^{(t)}$ 3. Gizli durumdan çıktıya, $a^{(t)}$ ➡ $y^{(t)}$

Derin tekrarlayan ağlarla sonuçlanan yukarıdaki dönüşümlerin her biri için birden çok katman kullanabiliriz 😋

👀 Görselleştirme

❌ Problem: Vanishing Gradients with RNNs

• 10.000 zaman adımı büyüklüğünde bir dizi verisini işleyen bir RNN, optimize edilmesi çok zor olan 10.000 derin katmana sahiptir 🙄

• Derin Sinir Ağlarında da, daha derin ağlar vanishing gradient problem sorununa giriyor 🥽

• Bu da, uzun dizi boyutuna sahip RNN'lerde de olur 🐛

🧙‍♀️ Çözümler

• RNN'deki Vanishing Gradients problemi üzerine Yazımı okuyabilirsin 🤸‍♀️

🌞 Yazının Aslı

• Burada 🐾

🧐 Daha Fazla Oku

• Recurrent Neural Networks Cheatsheet ✨
• All About RNNs 🚀