{"id":1870,"date":"2023-02-06T16:18:29","date_gmt":"2023-02-06T16:18:29","guid":{"rendered":"https:\/\/leyton.majjane.agency\/ca\/post\/les-reseaux-a-memoire-a-long-terme-lstm\/"},"modified":"2023-02-06T16:18:29","modified_gmt":"2023-02-06T16:18:29","slug":"les-reseaux-a-memoire-a-long-terme-lstm","status":"publish","type":"article","link":"https:\/\/leyton.com\/ca\/insights\/articles\/les-reseaux-a-memoire-a-long-terme-lstm\/","title":{"rendered":"Les r\u00e9seaux \u00e0 m\u00e9moire \u00e0 long terme (LSTM)"},"content":{"rendered":"

Les r\u00e9seaux \u00e0 m\u00e9moire \u00e0 long terme<\/strong>, le plus souvent appel\u00e9s “LSTM<\/strong>“, sont une classe unique de RNN <\/strong>qui peuvent reconna\u00eetre les d\u00e9pendances \u00e0 long terme.<\/p>\n

<\/div>\n

Ils ont \u00e9t\u00e9 pr\u00e9sent\u00e9s pour la premi\u00e8re fois par Hochreiter & Schmidhuber (1997), et plusieurs auteurs les ont d\u00e9velopp\u00e9s et popularis\u00e9s dans des travaux ult\u00e9rieurs. Ils sont actuellement fr\u00e9quemment utilis\u00e9s et donnent d’excellents r\u00e9sultats lorsqu’ils sont appliqu\u00e9s \u00e0 un large \u00e9ventail de probl\u00e8mes. <\/p>\n

<\/div>\n

Les LSTM<\/a><\/strong> ont \u00e9t\u00e9 cr\u00e9\u00e9s intentionnellement pour \u00e9viter le probl\u00e8me de la d\u00e9pendance \u00e0 long terme. Ils ne s’efforcent pas d’apprendre ; au contraire, la m\u00e9morisation des connaissances pendant de longues p\u00e9riodes est leur habitude par d\u00e9faut.<\/p>\n

<\/div>\n

Tous les r\u00e9seaux neuronaux r\u00e9currents prennent la forme d’une s\u00e9rie de modules de r\u00e9seau neuronal qui se r\u00e9p\u00e8tent. Ce module r\u00e9current dans les RNN <\/strong>typiques sera constitu\u00e9 d’une seule couche tanh, par exemple.<\/p>\n

<\/div>\n
\"Long<\/figure>\n
<\/div>\n

La ligne horizontale qui traverse le haut de la figure et repr\u00e9sente l’\u00e9tat de la cellule est la cl\u00e9 des LSTM<\/strong><\/a>. L’\u00e9tat cellulaire ressemble \u00e0 certains \u00e9gards \u00e0 un tapis roulant. Avec seulement quelques minuscules interactions lin\u00e9aires, il progresse directement le long de toute la cha\u00eene. Les informations peuvent tr\u00e8s facilement continuer \u00e0 circuler le long de la cha\u00eene sans \u00eatre modifi\u00e9es.<\/p>\n

<\/div>\n

\u00c9tant donn\u00e9 qu’il peut y avoir des d\u00e9lais d’une longueur incertaine entre les occurrences significatives d’une s\u00e9rie chronologique, les r\u00e9seaux LSTM<\/a> <\/strong>sont bien adapt\u00e9s \u00e0 la cat\u00e9gorisation, au traitement et \u00e0 la g\u00e9n\u00e9ration de pr\u00e9dictions bas\u00e9es sur des donn\u00e9es de s\u00e9ries chronologiques. Pour r\u00e9soudre le probl\u00e8me du gradient \u00e9vanescent[16] qui peut survenir lors de l’entra\u00eenement des RNN conventionnels, les LSTM<\/a> <\/strong>ont \u00e9t\u00e9 cr\u00e9\u00e9s. Dans de nombreux cas, le LSTM<\/a><\/strong> pr\u00e9sente un avantage par rapport aux RNN, aux mod\u00e8les de Markov cach\u00e9s et \u00e0 d’autres techniques d’apprentissage de s\u00e9quences en raison de sa relative insensibilit\u00e9 \u00e0 la longueur de l’\u00e9cart.<\/p>\n

<\/div>\n

Travaillez-vous sur le d\u00e9veloppement des r\u00e9seaux LSTM<\/a><\/strong> ? Les entreprises de toutes tailles travaillant dans le secteur des logiciels peuvent b\u00e9n\u00e9ficier d’un financement<\/strong><\/a>.<\/p>\n

<\/div>\n

Contactez <\/a><\/strong>notre \u00e9quipe pour en savoir plus !<\/p>\n

<\/div>\n
\n
Contactez-Nous<\/a><\/div>\n<\/div>\n
<\/div>\n

Sources :<\/h3>\n