Memori Jangka Pendek Panjang (LSTM)

Memori Jangka Pendek Panjang (LSTM) ialah sejenis Rangkaian Neural Berulang (RNN) yang digunakan untuk memodelkan kebergantungan temporal dalam data. Secara khusus, ia boleh "mengingat" peristiwa atau pergantungan masa lalu dari masa yang diperhatikan sebelum ini. Ia digunakan secara meluas dalam beberapa domain, seperti pemprosesan bahasa semula jadi, terjemahan mesin, kapsyen imej dan pengecaman pertuturan.

LSTM ialah sejenis rangkaian yang direka khusus untuk membantu komputer mengingati maklumat lebih lama daripada yang biasa dilakukan dengan rangkaian saraf berulang. Model ingatan jangka pendek panjang berfungsi dengan menggunakan "sel" yang menyimpan maklumat untuk jangka masa yang lama; apabila input baharu dikesan, sel baharu dicipta yang menghubungkan bersama dengan sel sedia ada. Seiring dengan ini, sel baharu dapat "melupakan" beberapa maklumat yang disimpan di dalam sel sedia ada, membolehkan rangkaian "melupakan" beberapa perkara yang telah dipelajarinya.

Komponen utama LSTM ialah sel memori, get lupa dan get input. Sel memori bertanggungjawab untuk menyimpan maklumat untuk jangka masa yang lama, dan get lupa dan input menentukan maklumat yang patut atau tidak boleh disimpan dalam sel. Komponen-komponen inilah yang membolehkan rangkaian LSTM "mengingati" masa lalu sambil juga dapat mengambil kira input baharu.

LSTM ialah alat penting dalam pelbagai aplikasi, termasuk pemprosesan bahasa semula jadi dan pengecaman imej. Mereka dapat mengambil kira pengetahuan sedia ada dan boleh digunakan dalam kedua-dua pembelajaran diselia dan tidak diselia. Penggunaannya terdiri daripada meramalkan harga saham dan terjemahan bahasa kepada pemanduan autonomi dan main balik video.

Secara keseluruhannya, rangkaian LSTM ialah rangkaian neural yang sangat berkesan untuk pelbagai aplikasi kerana keupayaannya untuk menyimpan maklumat untuk jangka masa yang panjang dan memproses input baharu dengan lebih cekap berbanding rangkaian neural berulang tradisional.