این شبکه عصبی دو تا ویژگی داره:
1-شبکههای بازگشتی از اطلاعات گذشته استفاده میکنند.
2-در شبکههای بازگشتی، پارامترها یا وزنها بین زمانها به اشتراک گذاشته میشوند. به این معنا که همان وزنها برای هر مرحله زمانی استفاده میشوند.
به صورت کلی این شکبه میاد ورودی رو از ما دریافت میکنه با وزن حافظه قبلی که آموزش دیده ترکیب میکنه و میره مرحله بعدی یعنی مثلا من یک گربه مشکی دارم میاد پنج لایه درست میکنه:
من + یک + گربه + مشکی+ دارم
هر لایه میاد بررسی میکنه "من" رو وارد لایه اول میکنه با حافظه قدیمی که داره میاد محاسبات ریاضی انجام بعد یه خروجی میده برای لایه بعدی که "یک" هستش بعد میاد پردازی که سر من + اطلاعات گذشته انجام داده رو بعلاوه یک رو میده لایه اول و الی اخر تا برسه لایه اخر تا بتونه در آخر برای ما یک پاسخ یا خروجی تولید بکنه علت اینکه بهش میگن بازگشتی اینه که به حافظه خودش بر میگرده جهت گرفتن اطلاعات، این شبکه عصبی برای پیش بینی کلمه بعدی میاد از کلمه قبلی + حافظه قبلی وزنی که درست کرده میاد بین پارامتر های میگرده و کلمه بعدی رو پیش بینی میکنه
ساختار عکس بالا چیه حالا؟ برای اینکه بهتر توضیح بدم این قسمت رو از هوش مصنوعی کمک گرفتم
بیایید شکل را تجزیه کنم:
شکل یک RNN را نشان میدهد که در سه مرحله زمانی کار میکند (t=1, t=2, t=3).
هر مرحله دارای:
- ورودی (مثل "d", "o", "g" در پایین)
- مغز/حالت نهان (h0, h1, h2, h3 - بوکس های سبز بزرگ)
- خروجی (مثل "o", "g", "e" در بالا)
- وزنهای مختلف:
- Wx: وزن ورودی
- Wh: وزن حالت نهان (بازگشتی)
- Wy: وزن خروجی
داخل هر بوکس سبز، درونافزایی (مثل a11، a12، a1j) وجود دارد که نشاندهنده ضرب و جمعهای داخلی است.
بیایید این را به شکل بسیار ساده برای مبتدی توضیح دهم:
1. شکل یک جمله را پردازش میکند
2. هر بوکس سبز = مغز شبکه در یک مرحله
3. فلشهای بالا = خروجی (پیشبینی)
4. فلشهای چپ = ورودی (کلمات)
5. فلشهای افقی = حافظه که از مرحله قبل میآید# توضیح شکل RNN
## کلی نگاه کن
این شکل نشان میده که **RNN چطوری یک جمله رو کلمهکلمه پردازش میکنه** در **3 مرحله متوالی**:
t=1 → t=2 → t=3
(لحظهی اول) (دوم) (سوم)
---
## هر مرحله چیکار میکنه؟
| عنصر | معنی |
|------|------|
| **بوکس سبز بزرگ (h)** | 🧠 **مغز شبکه** — جایی که حافظه نگاه داشته میشه |
| **Wx** | وزن **ورودی** (کلمه الان) |
| **Wh** | وزن **حافظه** (کلمات قبلی) — **همین بازگشتی است!** |
| **Wy** | وزن **خروجی** (پیشبینی) |
| **"d", "o", "g"** | کلمات **ورودی** (پایین) |
| **"o", "g", "e"** | کلمات **خروجی** (بالا) |
---
## مرحله به مرحله چیارتش؟
### 🟢 مرحله اول (t=1)
ورودی: "d"
↓
h0 (حافظه اول، خالی) + Wh
+
"d" (ورودی) + Wx
↓
h1 (حافظه جدید)
↓
خروجی: "o"
### 🟢 مرحله دوم (t=2)
ورودی: "o"
↓
h1 (حافظه قبلی) + Wh ← **یادش آمد "d" رو دید!**
+
"o" (ورودی جدید) + Wx
↓
h2 (حافظه جدید)
↓
خروجی: "g"
### 🟢 مرحله سوم (t=3)
ورودی: "g"
↓
h2 (حافظه قبلی) + Wh ← **یادش آمد "d" و "o" رو دید!**
+
"g" (ورودی جدید) + Wx
↓
h3 (حافظه جدید)
↓
خروجی: "e"
## داخل بوکس سبز چیه؟
دروننویسیها مثل **a₁₁، a₁₂، a₁ⱼ** نشان میدهند:
- **حساب و کتاب** (ضرب و جمع)
- **اعدادی که شبکه بهکار میبرد**
تو نیاز نداری اینها رو یاد بگیری. فقط بدون که **داخل این بوکس ریاضیات پیچیدهای انجام میشه!**
---
## خلاصه ساده
**این شکل میگه:**
> "ما کلمه "dog" را تشخیص میدهیم. شبکه هر بار یک کلمه میبیند، خروجی میده، و **یادش را برای دفعه بعد نگاه میدارد**. این همان **بازگشتی** است!"
🎯 **بازگشتی** = حافظه (h) **به خودش برمیگردد** و دوباره استفاده میشه!
و در نهایت این شبکه به دلیل بررسی توالی و داشتن حافظه از داده های قبل بهتر میتونه جملات رو درک کنه و پاسخ مناسب بده ولی اگر به یاد داشته باشید تو شبکه عصبی ترنسفورمر گفته بودم آموزشش بسیار کنده به محدودیت حافظه میخوریم و اینکه کلمات و جمله های طولانی رو ممکنه فراموش کنه به همین دلیل بود که بعد ها متخصیص با مکانیزم توجه به سمت شبکه های عصبی ترنسفورمر و سپس به ال ال ام های امروزی رسیدن با این اوصاف ان شبکه عصبی رو میشه بابابزرگ ال ال ام های امروزی دانست و در نهایت لینک های مفید جهت مطالعه:
لینک1
لینک2
@PhiloLearn | @NyxHrafn 
