La red neuronal recurrente es un algoritmo orientado al aprendizaje profundo que utiliza un enfoque secuencial. En las redes neuronales, siempre asumimos que cada entrada y salida es independiente de todas las demás capas. Este tipo de red neuronal se denomina red neuronal recurrente porque realiza cálculos matemáticos de forma secuencial.
Considere los siguientes pasos para entrenar una red neuronal recurrente:
Paso 1: ingrese un ejemplo específico del conjunto de datos.
Paso 2: la red tomará el ejemplo y realizará algunos cálculos utilizando variables inicializadas aleatoriamente.
Paso 3: luego calcule los resultados de la predicción.
Paso 4: compare el resultado real generado con el valor esperado; se generará un error.
Paso 5: para rastrear el error, se propaga por la misma ruta donde también se ajustan las variables.
Paso 6 : repita del paso 1 al paso 5 hasta que estemos seguros de que las variables utilizadas para obtener el resultado se han definido correctamente.
Paso 7: haga predicciones del sistema aplicando estas variables a las nuevas entradas invisibles obtenidas.
A continuación se describe una forma esquemática de representar una red neuronal recurrente:
Implementación de una red neuronal recurrente usando TensorFlow
En esta parte, aprenderemos cómo implementar una red neuronal recurrente usando TensorFlow.
Paso 1: TensorFlow incluye varias bibliotecas para implementaciones específicas de módulos de redes neuronales recurrentes.
#Import necessary modules
from __future__ import print_function
import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = T