UFRGS · Deep Learning

Redes Neurais Recorrentes

Prof. Anderson Rocha Tavares

Slides interativos para a aula de RNNs. Navegue pelos blocos abaixo e clique em qualquer slide para abri-lo.

Bloco 1 — Relembrando Redes Feedforward

Redes Feedforward: Entradas Independentes

Cada exemplo é processado isoladamente — sem memória do passado.

Experimente: Embaralhe as Linhas

Reordene os pacientes e veja que cada diagnóstico não muda — depois, a transição para dados sequenciais.

Bloco 2 — Motivação: e se os Dados Tiverem Relação Temporal?

O Passado Importa

Bola em movimento: revelar mais posições melhora a previsão da trajetória.

Tendência Exige Histórico

Janela móvel sobre série temporal: quanto mais contexto, mais clara a tendência.

A Ordem das Palavras Importa

Frases embaralhadas vs. ordem correta — a sequência carrega o significado.

Bloco 3 — O que são Dados Sequenciais

Dados Sequenciais: Definição e Exemplos

Sequência = coleção ordenada. Exemplos em texto, áudio, finanças, vídeo, sensores.

Tipos de Mapeamento Sequencial

one-to-one, one-to-many, many-to-one, many-to-many — seletor interativo de tarefas.

Bloco 4 — Da Rede Comum para a Rede Recorrente

A Limitação: Rede Sem Memória

Rede feedforward vê apenas um retrato congelado — sem contexto temporal.

Inserindo o Laço de Realimentação

Recorrência: o cálculo em t depende do estado produzido em t-1.

Estado Oculto como Memória

Toggle memória ligada/desligada — veja o contexto sendo carregado ao longo do tempo.

Bloco 5 — Forward Pass em uma RNN

Forward Pass: Passo a Passo

hₜ = φ(Uxₜ + Vh_{t-1} + bₕ) — execução step-by-step com equações.

Bloco 6 — Unfold no Tempo

Desenrolando a RNN no Tempo

Unfold revela a cadeia de cópias — slider ajusta o comprimento da sequência.

Bloco 7 — Backpropagation Through Time (BPTT)

Backpropagation Through Time

Forward (→) e backward (←) animados. Acúmulo de gradiente em U, V, W.

Bloco 8 — Problema do Vanishing Gradient

O Problema do Vanishing Gradient

Simulador de decaimento com fator α — veja o gradiente desaparecer ao longo do tempo.

Bloco 9 — Intuição Geral da LSTM

LSTM: Memória com Controle

Dois estados separados: cell state cₜ (memória interna) e hidden state hₜ (exposto).

As Quatro Decisões da LSTM

Forget, input, candidato e output gate — diagrama SVG clicável.

Bloco 10 — Forget Gate

Forget Gate: O Que Esquecer

fₜ = σ(…) — slider mostra quanto da memória cₜ₋₁ é preservado ou apagado.

Bloco 11 — Input Gate e Conteúdo Candidato

Input Gate: Quanto Escrever

iₜ controla a intensidade da escrita — mesmo bom candidato é bloqueado se gate fechado.

Conteúdo Candidato: O Que Escrever

c̃ₜ = tanh(…) — comparação lado a lado de iₜ e c̃ₜ com resultado combinado.

Bloco 12 — Atualização do Cell State

Atualização do Cell State

cₜ = fₜ⊙cₜ₋₁ + iₜ⊙c̃ₜ — barras coloridas mostram contribuição de cada parcela.

Bloco 13 — Output Gate e Hidden State

Output Gate e Estado Oculto

hₜ = oₜ⊙tanh(cₜ) — slider de exposição mostra memória privada vs. pública.

Bloco 14 — Recapitulando a Lógica da LSTM

Recapitulando: As 4 Decisões da LSTM

Painel de 4 perguntas clicáveis + resumo operacional em 7 passos.

Bloco 15 — Fechamento Conceitual

Fechamento: O Poder das Sequências

Progressão completa da aula — de feedforward ao LSTM, com mensagem central.