连接主义时间分类

编辑
本词条由“匿名用户” 建档。
连接主义时间分类(CTC)是一种神经网络输出和相关的评分函数,用于训练递归神经网络(RNN),如LSTM网络,以解决时间可变的序列问题。它可用于在线手写识别或识别语音音频中的电话等任务。CTC指的是输出和计分,与底层神经网络结构无关。输入是一连串的观察值,而输出是一连串的标签,其中可以包括空白输出。训练的难度来自于观察值比标签的数量多。例如,在语音音频中,可能有多个时间片对应于一个音素。由于我们不...

Warning: Undefined array key -1 in /home/wwwroot/vibaike.com/wp-content/themes/justnews-child/functions/autopost.php on line 26

Warning: Undefined array key -1 in /home/wwwroot/vibaike.com/wp-content/themes/justnews-child/functions/autopost.php on line 26

连接主义时间分类

编辑

连接主义时间分类(CTC)是一种神经网络输出和相关的评分函数,用于训练递归神经网络(RNN),如LSTM网络,以解决时间可变的序列问题。它可用于在线手写识别或识别语音音频中的电话等任务。CTC指的是输出和计分,与底层神经网络结构无关。输入是一连串的观察值,而输出是一连串的标签,其中可以包括空白输出。训练的难度来自于观察值比标签的数量多。例如,在语音音频中,可能有多个时间片对应于一个音素。由于我们不知道观察到的序列与目标标签的对齐情况,所以我们在每个时间段预测一个概率分布。

连接主义

一个CTC网络有一个连续的输出,它通过训练来拟合标签的概率。CTC并不试图学习边界和时间。如果标签序列只在排列上有差异,就被认为是等价的,忽略空白。相等的标签序列可以以多种方式出现--这使得评分成为一项非艰巨的任务,但有一种有效的前向-后向算法来实现。然后,CTC的分数可以与反向传播算法一起使用,以更新神经网络的权重。适应CTC的神经网络的替代方法包括隐马尔可夫模型

内容由匿名用户提供,本内容不代表vibaike.com立场,内容投诉举报请联系vibaike.com客服。如若转载,请注明出处:https://vibaike.com/175536/

(1)
词条目录
  1. 连接主义时间分类

轻触这里

关闭目录

目录
全球百科疯狂618活动进行中→点击传送门

Warning: Undefined array key -1 in /home/wwwroot/vibaike.com/wp-content/themes/justnews-child/functions/autopost.php on line 26

Warning: Undefined array key -1 in /home/wwwroot/vibaike.com/wp-content/themes/justnews-child/functions/autopost.php on line 26