Within a single LSTM block, the inp

Within a single LSTM block, the input (e.g. mt−i ) and the previous output (Ht−i−1) are used to decide (1) how much of the previous cell state Ct−i−1 to retain in state Ct−i , (2) how to use the current input and the previous output to influence the state, and (3) how to construct the output Ht−i . This is accomplished using a set of gating functions to determine state dynamics by controlling the amount of information to keep from input and previous output, and the information flow going to the next step. Each gating function is parameterized by a set of weights to be learned. Œe expressive capacity of an LSTM block is determined by the number of memory units (i.e. the dimensionality of the hidden state vector H). Due to space constraints, we refer the reader to NLP primers (e.g., [12]) for a formal characterization of LSTMs.

結果 (繁體中文) 1:

內的單個LSTM塊中，輸入（例如MT-1）和先前輸出（HT-I-1）是用來決定（1）如何在先前的小區狀態的多CT-I-1到在狀態保留CT- I，（2）如何使用當前輸入和先前的輸出來影響的狀態下，以及（3）如何構建輸出HT-我。這是通過使用一組的選通函數，通過控制信息量，從輸入和以前的輸出保持，以確定動力學狀態而完成的，信息流去到下一個步驟。每個門控功能由一組權重被學習參數。??è表達的LSTM塊的容量由存儲器單元的數量來確定（即，隱藏狀態向量H的維數）。由於篇幅限制，我們建議讀者參考NLP引物（例如，[12]）為LSTMs的正式定性。

結果 (繁體中文) 2:

在單個 LSTM 塊中，輸入（例如 mt_i） 和上一個輸出 （Ht_i_1） 用於決定 （1） 以前的儲存格狀態 Ct_i_1 中有多少保留在狀態 Ct_i 中 ，（2） 如何使用當前輸入和以前的輸出來影響狀態，和 （3） 如何構造輸出 Ht_i 。這是使用一組門控函數來確定狀態動態的，通過控制要從輸入和以前的輸出中保留的資訊量以及進入下一步的資訊流。每個澆注函數由一組要學習的權重進行參數化。e LSTM 塊的表達能力由記憶體單位數（即隱藏狀態向量 H 的維數）決定。由於空間限制，我們參考 NLP 引基器（例如 [12]）來對 LStM 進行正式描述。

結果 (繁體中文) 3:

在單個LSTM塊中，輸入（例如mt-i）和先前輸出（Ht-i-1）用於决定（1）在狀態Ct-i中保留多少先前的單元狀態Ct-i-1，（2）如何使用當前輸入和先前輸出來影響狀態，以及（3）如何構造輸出Ht-i。這是通過使用一組選通函數來實現的，該選通函數通過控制要從輸入和先前輸出中保留的信息量來確定狀態動力學，並控制信息流進入下一步。每個選通函數都由一組要學習的權重參數化。Œe LSTM塊的表示能力由存儲單元的數量（即隱藏狀態向量H的維數）决定。由於空間的限制，我們讓讀者參考NLP引子（例如，[12]）以獲得LSTMs的形式化特徵。