1
将多个深度网络集合在一起以提高预测期间的统计量通常相当容易。这通常与输出预测并将它们平均在一起一样简单。在循环神经网络中,由于我们正在对一系列输出进行预测,因此这并不那么简单。聚合递归神经网络的方法是什么?
我们如何集成循环神经网络?您是否预测每个时间步的输出使用多个模型,平均输出,然后使用平均值的预测反馈到每个单独的模型(冲洗,重复)?这看起来像在常见的ML库中实现相当麻烦(我使用的是Tensorflow)。
将多个深度网络集合在一起以提高预测期间的统计量通常相当容易。这通常与输出预测并将它们平均在一起一样简单。在循环神经网络中,由于我们正在对一系列输出进行预测,因此这并不那么简单。聚合递归神经网络的方法是什么?
我们如何集成循环神经网络?您是否预测每个时间步的输出使用多个模型,平均输出,然后使用平均值的预测反馈到每个单独的模型(冲洗,重复)?这看起来像在常见的ML库中实现相当麻烦(我使用的是Tensorflow)。
看来你所谈论的内容可以概括为RNN的“解码策略”。例如:
这绝对不是微不足道的实施,但也不算太差。在Tensorflow中,您可以使用raw_rnn
函数来执行此操作。基本上,它就像一个while循环,你可以使用一个任意复杂的函数来选择输出和RNN的下一个输入。
这与辍学有关吗? –
不,不相关。这是询问关于分别训练多个模型,然后在测试期间将它们结合以提高性能。 – jstaker7