{"id":476010,"date":"2023-08-09T07:25:33","date_gmt":"2023-08-09T07:25:33","guid":{"rendered":""},"modified":"2023-09-05T11:11:49","modified_gmt":"2023-09-05T11:11:49","slug":"bidirectional-lstm","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/id\/wiki\/bidirectional-lstm\/","title":{"rendered":"LSTM dua arah"},"content":{"rendered":"

Bidirectional LSTM adalah varian dari Long Short-Term Memory (LSTM), jenis Recurrent Neural Network (RNN) yang kuat, yang dirancang untuk memproses data sekuensial dengan mengatasi masalah ketergantungan jangka panjang.<\/p>\n

Kejadian dan Penyebutan Pertama LSTM Dua Arah<\/h2>\n

Konsep LSTM Dua Arah pertama kali diperkenalkan dalam makalah \u201cJaringan Neural Berulang Dua Arah\u201d oleh Schuster dan Paliwal pada tahun 1997. Namun, ide awalnya diterapkan pada struktur RNN sederhana, bukan LSTM.<\/p>\n

Penyebutan LSTM sendiri pertama kali, pendahulu dari BiDirectional LSTM, diperkenalkan pada tahun 1997 oleh Sepp Hochreiter dan J\u00fcrgen Schmidhuber dalam makalah \u201cLong Short-Term Memory\u201d. LSTM bertujuan untuk mengatasi masalah \u201cgradien hilang\u201d pada RNN tradisional, yang mempersulit pembelajaran dan pemeliharaan informasi dalam urutan yang panjang.<\/p>\n

Kombinasi sebenarnya dari LSTM dengan struktur dua arah muncul kemudian di komunitas riset, memberikan kemampuan untuk memproses urutan di kedua arah, sehingga menawarkan pemahaman konteks yang lebih fleksibel.<\/p>\n

Memperluas Topik: LSTM Dua Arah<\/h2>\n

BiDirectional LSTM merupakan perpanjangan dari LSTM, yang dapat meningkatkan performa model pada masalah klasifikasi sekuens. Dalam masalah di mana semua langkah waktu dari urutan masukan tersedia, LSTM dua arah melatih dua, bukan satu LSTM pada urutan masukan. Yang pertama pada urutan masukan sebagaimana adanya dan yang kedua pada salinan terbalik dari urutan masukan. Output dari kedua LSTM ini digabungkan sebelum diteruskan ke lapisan jaringan berikutnya.<\/p>\n

Struktur Internal LSTM Dua Arah dan Fungsinya<\/h2>\n

LSTM dua arah terdiri dari dua LSTM terpisah: LSTM maju dan LSTM mundur. LSTM maju membaca urutan dari awal sampai akhir, sedangkan LSTM mundur membacanya dari akhir sampai awal. Informasi dari kedua LSTM digabungkan untuk membuat prediksi akhir, memberikan model konteks masa lalu dan masa depan yang lengkap.<\/p>\n

Struktur internal setiap unit LSTM terdiri dari tiga komponen penting:<\/p>\n

    \n
  1. Lupakan Gerbang:<\/strong> Ini memutuskan informasi apa yang harus dibuang dari keadaan sel.<\/li>\n
  2. Gerbang Masukan:<\/strong> Ini memperbarui status sel dengan informasi baru.<\/li>\n
  3. Gerbang Keluaran:<\/strong> Ini menentukan keluaran berdasarkan masukan saat ini dan status sel yang diperbarui.<\/li>\n<\/ol>\n

    Fitur Utama LSTM Dua Arah<\/h2>\n