Recurrent Neural Network (RNN) ist eine Art künstliches neuronales Netzwerk, bei dem Verbindungen zwischen Knoten einen gerichteten Graphen entlang einer zeitlichen Abfolge bilden. Dies ermöglicht ein zeitlich dynamisches Verhalten und eignet sich daher für Aufgaben, die sequentielle Daten beinhalten.
In neuronalen Netzen bezieht sich RNN auf eine Klasse von Modellen, die darauf ausgelegt sind, Muster in Datensequenzen wie Zeitreihen, Sprache oder Text zu erkennen. RNNs können Eingaben unterschiedlicher Länge verarbeiten, indem sie einen verborgenen Zustand beibehalten, der Informationen aus vorherigen Schritten in der Sequenz erfasst.
RNN steht für Recurrent Neural Network. Es betont die Fähigkeit des Netzwerks, Sequenzen durch „wiederkehrende“ Verbindungen zu verarbeiten, die im Netzwerk zurücklaufen.
RNNs werden in verschiedenen Bereichen wie Sprachmodellierung, maschineller Übersetzung, Spracherkennung und Zeitreihenvorhersage eingesetzt. Sie sind besonders nützlich für Aufgaben, bei denen der Kontext früherer Eingaben die aktuelle Ausgabe beeinflusst.
Das grundlegende RNN-Netzwerk besteht aus einer Schicht von Neuronen, in der die Ausgabe jedes Neurons zu jedem Zeitschritt zusammen mit der nächsten Eingabe in das Netzwerk zurückgeführt wird. Diese Rückkopplungsschleife ermöglicht es dem Netzwerk, einen verborgenen Zustand beizubehalten, der Informationen aus früheren Eingaben überträgt und es ihm ermöglicht, Datensequenzen zu verarbeiten.