Summary  
This chapter explains recurrent neural network sequence mapping architectures—one-to-one, one-to-many, many-to-one, and many-to-many—for handling different input–output sequence relationships.

General domain of usage  
Natural language processing

RNN:er finns i olika arkitekturer beroende på datans natur och den aktuella uppgiften. Att förstå de olika typerna kan hjälpa dig att välja rätt RNN för en specifik applikation.



- **En till en**: i denna arkitektur mappas varje indata till ett enda utdata. Detta används vanligtvis vid **enkla klassificeringsuppgifter** där indata- och utdata-storleken är fasta;  
- **En till många**: i denna arkitektur genererar en enda indata flera utdata. Detta är användbart vid uppgifter som **bildbeskrivning**, där en bild (en indata) genererar en sekvens av ord (flera utdata);  
- **Många till en**: denna typ bearbetar flera indata och genererar ett enda utdata. **Sentimentanalys** är ett exempel, där en sekvens av ord (indata) analyseras för att producera ett enda sentimentsvärde (utdata);  
- **Många till många**: här producerar flera indata flera utdata. Denna arkitektur används vid uppgifter som **maskinöversättning**, där en sekvens av ord på ett språk (indata) mappas till en sekvens av ord på ett annat språk (utdata).  



Varje typ av RNN-arkitektur har sitt specifika användningsområde, och att välja rätt är avgörande för att lösa uppgiften effektivt.


Vilken av följande uppgifter använder en Many to Many-arkitektur?

Fokuserar uteslutande på rekurrenta neurala nätverk (RNN) och deras tillämpning för sekvensgenerering. Denna avancerade modul täcker den grundläggande teorin om RNN samt praktiska metoder för modellering av sekventiell data, och förbereder dig för praktiskt arbete med LSTM- och GRU-nätverk i Python.

Typer av RNN:er