Lección 6 del módulo “Redes Recurrentes y LSTM” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos en qué consistía el algoritmo de backpropagation a través del tiempo, que permite llevar a cabo el entrenamiento de una Red Neuronal Recurrente.
En esta lección hablaremos de las diferentes “especies” (o configuraciones) de Redes Recurrentes que pueden ser usadas en la práctica y que permiten implementar diferentes tipos de aplicaciones para el procesamiento de secuencias.
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.
Bien, acabamos de ver que podemos configurar las Redes Recurrentes de diversas maneras dependiendo de su relación entrada-salida y la configuración adecuada dependerá de la tarea específica de procesamiento de secuencias que queramos realizar.
Así, podemos tener la configuración one-to-many (una entrada y múltiples salidas), la many-to-one (una secuencia de entradas genera una única salida) y la configuración many-to-many, donde tanto la entrada como la salida son secuencias con múltiples elementos.
Así que hasta este punto tenemos todos los elementos fundamentales relacionados con el funcionamiento y uso de las Redes Neuronales Recurrentes, y con esto ya estamos listos para comenzar con el componente práctico de este módulo.
Entonces, en la próxima lección desarrollaremos la primera práctica en donde veremos cómo implementar y entrenar una Red Neuronal Recurrente para la generación de texto.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.