Tekrarlayan sinir ağlarında (RNN) “tekrarlayan” terimi, bu sinir ağlarının giriş verileri üzerinde sıralı işlem gerçekleştirme yeteneğini ifade eder. Verileri girdiden çıktıya sabit bir sırayla işleyen geleneksel ileri beslemeli sinir ağlarının aksine, RNN’ler gizli durumlar aracılığıyla geçmiş girdilerin hafızasını koruyabilir. Bu bellek, RNN’lerin sıralı verilerdeki zamansal bağımlılıkları yakalamasına olanak tanıyarak onları zaman serisi tahmini, doğal dil işleme ve konuşma tanıma gibi görevler için çok uygun hale getirir.
Tekrarlayan sinir ağı (RNN), sıralı verileri işlemek için tasarlanmış bir tür yapay sinir ağıdır. Katmanlar halinde organize edilmiş sinir ağı birimlerinden oluşur; burada her birim, önceki girdilerle ilgili bilgileri yakalayan bir hafızayı veya durumu korur. Bu, RNN’lerin, dizideki her girişe aynı ağırlık kümesini yinelemeli olarak uygulayarak sıralı verilerdeki kalıpları ve ilişkileri öğrenmesini sağlar. RNN’ler içindeki yinelenen bağlantılar, değişken uzunluklu dizileri ve zaman içindeki model bağımlılıklarını ele almalarına olanak tanıyarak onları zamansal modelleme gerektiren görevler için güçlü araçlar haline getirir.
Bir sinir ağındaki yinelenen katman, birimleri arasındaki yinelenen bağlantıları birleştirmek için tasarlanmış belirli bir katman türünü ifade eder. Bu bağlantılar, katmanın önceki girişlerin hafızasını korumasını ve sıralı veriler içindeki zaman adımları boyunca bilgiyi yaymasını sağlar. Tekrarlayan katmanların yaygın türleri arasında SimpleRNN, LSTM (Uzun Kısa Süreli Bellek) ve GRU (Geçitli Tekrarlayan Birim) bulunur; bunların her biri, kaybolan degradeler ve uzun vadeli bağımlılıkları yakalamak gibi zorlukların üstesinden gelmek için farklı mekanizmalar sunar.
“Yinelenen” ve “özyinelenen” terimleri sinir ağlarındaki farklı kavramları ifade eder. Tekrarlayan sinir ağları (RNN’ler), sıralı verilerde zaman içinde belleği korumak için tekrarlayan bağlantıları kullanır ve zaman serisi tahmini ve doğal dil işleme gibi görevleri yerine getirmelerine olanak tanır. Öte yandan özyinelemeli sinir ağları (RvNN’ler), düğümlerin aynı işlemi alt düğümlerine yinelemeli olarak uygulamasıyla hiyerarşik olarak yapılandırılmıştır. RvNN’ler, ayrıştırma ağaçları olarak yapılandırılmış cümlelerin ayrıştırılması ve duygu analizi gibi hiyerarşik veya ağaç benzeri veri yapılarını içeren görevlerde yaygın olarak kullanılır.
Tekrarlayan evrişim, tekrarlayan sinir ağlarını (RNN’ler) evrişimli sinir ağlarıyla (CNN’ler) birleştiren hibrit bir sinir ağı mimarisini ifade eder. Bu yaklaşım, her iki mimarinin de güçlü yanlarından yararlanmayı amaçlamaktadır: mekansal özellik çıkarımı için CNN’ler ve sıralı modelleme için RNN’ler. Tekrarlayan evrişimde, evrişimli katmanlar tipik olarak görüntüler veya zaman serileri gibi girdi verilerinden uzamsal özellikleri çıkarmak için kullanılırken, tekrarlayan katmanlar bu özellikleri zaman veya sıra içinde işler. Bu hibrit mimari, video analizi, eylem tanıma ve konuşma tanıma gibi hem uzamsal hem de zamansal bağlam modellemesi gerektiren görevler için özellikle etkilidir.