Summary  
This chapter explains four recurrent neural network architectures—one-to-one, one-to-many, many-to-one, and many-to-many—by describing how they map input and output sequences of fixed or variable length.  

General domain of usage  
Machine translation

RNN-er finnes i ulike arkitekturer avhengig av datatypen og oppgaven som skal løses. Å forstå de forskjellige typene kan hjelpe deg med å velge riktig RNN for en gitt applikasjon.



- **En til en**: i denne arkitekturen blir hver input tilordnet en enkelt output. Dette brukes vanligvis i **enkle klassifiseringsoppgaver** der input- og output-størrelsen er fast;  
- **En til mange**: i denne arkitekturen genererer en enkelt input flere output. Dette er nyttig i oppgaver som **bildebeskrivelse**, der et bilde (én input) genererer en sekvens av ord (flere output);  
- **Mange til en**: denne typen prosesserer flere input og genererer en enkelt output. **Sentimentanalyse** er et eksempel, der en sekvens av ord (input) analyseres for å produsere en enkelt sentiment-score (output);  
- **Mange til mange**: her produserer flere input flere output. Denne arkitekturen brukes i oppgaver som **maskinoversettelse**, der en sekvens av ord på ett språk (input) tilordnes en sekvens av ord på et annet språk (output).  



Hver type RNN-arkitektur har sitt spesifikke bruksområde, og valg av riktig type er avgjørende for å løse oppgaven effektivt.


Hvilken av følgende oppgaver bruker en Mange-til-mange-arkitektur?

Behersk rekurrente nevrale nettverk og deres avanserte varianter som LSTM-er og GRU-er ved bruk av PyTorch. Få praktisk erfaring med å behandle sekvensielle data for anvendelser i praksis. Bruk disse kraftige modellene til å løse reelle utfordringer innen tidsserieprognoser og ulike oppgaver innen naturlig språkprosessering.

Dekker begrensningene ved tradisjonelle nevrale nettverk for sekvensielle data og introduserer grunnleggende prinsipper for rekurrente nevrale nettverk. Forklarer RNN-arkitektur, typer og trinnvis implementering gjennom grunnleggende eksempler og en kodeutfordring.

Utforsker vanlige treningsutfordringer som forsvinnende og eksploderende gradienter. Introduserer avanserte RNN-varianter, inkludert LSTM og GRU, med fokus på deres interne mekanismer og bruksområder, samt praktiske implementeringseksempler for hver.

Fokuserer på behandling og prediksjon av tidsseriedata ved bruk av RNN-baserte modeller. Inkluderer datainnhenting, forhåndsbehandlingsteknikker, modelltrening og ytelsesevaluering, med vekt på sammenligning av LSTM- og GRU-arkitekturer.

Demonstrerer anvendelsen av RNN-er på tekstklassifiseringsoppgaver. Dekker sentrale NLP-konsepter, metoder for tekstkoding, trinn for datapreparering og konstruksjon av en LSTM-basert modell for sentimentprediksjon.

Typer av RNN-er

Awesome!

Typer av RNN-er