Lección 10 del módulo “Redes Recurrentes y LSTM” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos dos de los componentes esenciales de una Red LSTM: las compuertas y las celdas de memoria, que permiten a esta red procesar una secuencia usando una memoria tanto de largo como de corto plazo.
En esta lección veremos cómo interactúan estos elementos para controlar el flujo de información y permitir así la actualización tanto del contenido de la celda de memoria como del estado oculto durante el procesamiento de una secuencia.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Acabamos de ver que para determinar la información que se incluirá en la celda de memoria es necesario tomar los datos procesados por las compuertas olvidar y de entrada, así como por la celda de memoria candidata.
Por otra parte, el estado oculto se actualiza tomando la información entregada por la compuerta de salida y por la celda de memoria actualizada. ¡Y con esto ya tenemos actualizadas las dos salidas de la Red LSTM!
Ahora sí tenemos todos los elementos que conforman una Red LSTM y hemos visto cómo interactúan para de manera selectiva preservar la información relevante (tanto a largo como a corto plazo) durante el procesamiento de la secuencia.
Así que estamos listos para la segunda práctica de esta sección, en donde pondremos a prueba todo lo aprendido hasta el momento para implementar una aplicación muy usada actualmente en el ámbito del Procesamiento del Lenguaje Natural.
Entonces en la próxima lección veremos cómo implementar y entrenar un modelo capaz de realizar el Análisis de sentimientos con Redes LSTM.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.