RNN Models
@pavanky 已經在處理了。
開始於 2017年7月23日。
評估
這個 Issue 還沒有評估資料。
描述
Once we have an implementation of the Layer Class https://github.com/arrayfire/arrayfire_ml/issues/17 , the Optimizer class and the DataSet class we can go about creating RNN flavors. There are 3 models that should be implemented:
- Vanilla RNN
- LSTM
- GRU
These will require the implementation of their derivatives and their forward prop values.
Certain details to consider:
- RNN's have a stack of weight matrices and bias' (not just 1 per Layer, thus the Layer needs to be general enough to handle this)
- The optimization needs to be handled via two methods:
- RTRL (real time recurrent learning) &
- BPTT (backprop through time)
To enable the above two methods of learning we should consider inheriting from Layer and implementing a Recurrent Layer.
- 主要語言
- C++
- 星號
- 105
- 分支
- 22
- PR 合併指標
- 30 天內沒有已合併 PR
環境準備
這個專案沒有提供開發容器、Dockerfile 或貢獻指南，環境需要你自己搭建：先看它的 README，通用步驟見我們的新手貢獻指南。
從這裡開始
- 先讀完整個 Issue，再讀專案的貢獻指南。
- 在 Issue 下留言說明你要接手 —— 這能避免兩個人做同樣的事。
- Fork 儲存庫，在一個分支上完成修改。
- 送出 Pull Request，並在描述裡引用這個 Issue 編號。
arrayfire/arrayfire-ml 的其他 Issue
-
難度 2/5 1-3 小時 新手友好度 52/100
arrayfire/arrayfire-ml#46 ·
-
Indexing and assignment support in autograd可能重新可做 @pavanky 於 3341 天前認領，目前沒有進行中的 PR。 未關閉feature
arrayfire/arrayfire-ml#43 · 已指派 1 人 ·
-
Loss functions可能重新可做 @pavanky 於 3372 天前認領，目前沒有進行中的 PR。 未關閉feature
arrayfire/arrayfire-ml#34 · 2 則留言 · 已指派 1 人 ·
-
Convolution Functions可能重新可做 @plavin 於 3372 天前認領，目前沒有進行中的 PR。 未關閉feature
arrayfire/arrayfire-ml#33 · 1 則留言 · 已指派 1 人 ·
-
HMM and Viterbi未關閉feature
難度 5/5 一週以上 新手友好度 20/100
arrayfire/arrayfire-ml#21 ·
查看 arrayfire/arrayfire-ml 的全部 Issue
相似的 Issue
-
難度 2/5 1-3 小時 新手友好度 84/100
godotengine/godot#124139 ·
維護者通常 1 天內回覆
-
難度 2/5 1-3 小時 新手友好度 75/100
ChicoState/autovalidate#195 ·
-
難度 2/5 1-3 小時 新手友好度 68/100
petercorke/robotics-toolbox-python#709 ·
維護者通常 2 天內回覆
-
bug documentation LOW ui
難度 2/5 1-3 小時 新手友好度 84/100
mgradwohl/tasksmack#1212 · 2 則留言 ·
維護者通常 1 天內回覆
-
難度 1/5 1 小時以內 新手友好度 90/100
維護者通常 1 天內回覆