Lección 5 del módulo “Redes Recurrentes y LSTM” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos un ejemplo paso a paso del funcionamiento de una Red Neuronal Recurrente, lo cual nos permitió entender la estructura interna de esta arquitectura.
En esta lección veremos las modificaciones que debemos hacer al algoritmo de backpropagation usado en las Redes Neuronales para lograr entrenar una Red Neuronal Recurrente.
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 el entrenamiento de una Red Neuronal Recurrente es similar al de una Red Neuronal y por tanto hace uso de variantes de los algoritmos de forward y backpropagation.
Específicamente en la propagación hacia atrás (backpropagation), los errores en la predicción se usan para actualizar iterativamente los parámetros del modelo mediante la regla de la cadena, sumando las variaciones individuales para obtener el gradiente del error y actualizar los parámetros con algoritmos como el gradiente descendente.
Así que en este punto ya sabemos cómo está conformada internamente una Red Recurrente y cómo podemos entrenarla.
Entonces, en la próxima lección veremos las diferentes configuraciones de las Redes Recurrentes usadas para lograr diferentes tipos de procesamiento de secuencias.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.