Довга короткочасна пам’ять (LSTM) — це архітектура штучної рекурентної нейронної мережі (RNN), яка використовується в області глибокого навчання. Мережі LSTM добре підходять для класифікації, обробки та прогнозування на основі даних часових рядів, оскільки між важливими подіями в часовому ряді можуть бути затримки невідомої тривалості.
LSTM (довгокороткочасна пам'ять) є архітектура рекурентної нейронної мережі (RNN), яка широко використовується в Deep Learning. Він чудово вловлює довготривалі залежності, що робить його ідеальним для завдань прогнозування послідовності.
Довга короткочасна пам'ять (LSTM) – це тип рекурентної нейронної мережі (RNN), спрямованої на вирішення проблеми зникнення градієнта, наявної в традиційних RNN. Його відносна нечутливість до довжини проміжків є його перевагою перед іншими RNN, прихованими моделями Маркова та іншими методами навчання послідовності.
Приклади LSTM (довгокороткочасної пам’яті) включають розпізнавання мови, машинний переклад і прогнозування часових рядів, використовуючи свою здатність фіксувати довгострокові залежності в послідовних даних.
Рівень LSTM – це рівень RNN, який вивчає довгострокові залежності між часовими кроками в часових рядах і даних послідовності. Шар виконує адитивні взаємодії, які можуть допомогти покращити градієнтний потік у довгих послідовностях під час навчання.
LSTM добре працювати з даними послідовності та часових рядів для завдань класифікації та регресії. LSTM також добре працюють із відео, оскільки відео по суті є послідовністю зображень. Подібно до роботи із сигналами, це допомагає виконувати вилучення ознак перед подачею послідовності зображень на шар LSTM.