Search results for “рекуррентные нейронные сети”

Reminder: the neuron model, the multilayer network, stochastic gradient, momentum, vanishing and exploding gradients, ReLU, dropout, batch normalisation; depth matters more than width; feature generation and end-to-end learning; convolutional neural networks: convolution and pooling layers, the standard CNN scheme, AlexNet and ImageNet, residual networks ResNet and Highway Networks; convolutional networks for speech, texts and games; recurrent neural networks, training by BPTT, long short-term memory networks LSTM, the peephole variant, GRU.

Sequence-to-sequence problems: the recurrent network, the encoder–decoder architecture and its limitations; the recurrent network with an attention model, interpreting the attention matrix in machine translation and image captioning; similarity functions, the query–key–value attention model, the attention formula, self-attention; multi-head attention and its regularisation, hierarchical attention for document classification, the graph attention model GAT; the transformer for machine translation: the encoder, positional encoding, layer normalisation and skip connections, the decoder with masking, the training criterion, BLEU and WER; the transformer encoder BERT, the MLM and NSP criteria, fine-tuning, BPE and WordPiece tokenisation, model sizes.

В этой лекции рассматриваются формальные степенные ряды как алгебраический объект. Вводятся операции сложения, умножения, а также аналоги производной и интеграла. Ключевая идея лекции — применение этого аппарата для решения линейно-рекуррентных соотношений с помощью производящих функций, что демонстрируется на классическом примере чисел Фибоначчи.