从RNN到LSTM剖析

从RNN到LSTM剖析

  (2017-10-23 09:05:32)

转载▼

标签：  rnn   lstm   原理   剖析

分类： 机器学习

       RNN是循环神经网络，主要处理和时序相关的网络。而LSTM是RNN的进化版本，解决了RNN中存在的梯度爆炸或者梯度消失的问题。

       本文参考： https://yq.aliyun.com/articles/169880?spm=5176.100239.blogcont174256.26.QQ6ccJ

 一、啥是循环神经网络？

       RNN利用环路（即上一层的输出）来当作本层的部分输入，其机制与动物大脑的工作机制非常类似。人们常说，“读书百遍，其义自见”。书读很多遍，这是一种强化记忆的动作。啥是强化呢？就是在前期留下记忆的基础上再和本次重新输入的“读书”叠加起来，逐渐沉淀下来，最终成为我们的经验知识。

       在很多实际应用中，我们会发现数据之间都是相互依赖的。就像上面所说的，我们在思考问题时，都是在已有经验和知识的基础之上，再结合当前实际情况综合给出决策，而不会把过往的经验和记忆都抛弃。

       再举个例子，在《战狼2》中，当那个中美混血的漂亮女主角一出现，后面的情节即使不看，我们大致也能预测到，无非是“英雄救美女，美女爱英雄”。看到最后，果不其然。如果连这都猜不到，只能说明你电影看得太少了。

       再再举一个自然语言处理中的实际例子，如果我们试图预测一下“天空飞过一只__”这句话最后一个词是什么。利用前面输入的一连串的历史信息：“天空飞过一只”，我们就能大致猜出最后一个词可能是“小鸟”或者“蜻蜓”之类的飞行动物，但定然不能是“人”或者“坦克”，当然也不能是“猪”（即使可能是风口中的猪，但量词“只”也把它过滤掉了）。

       由此可见，历史对于我们推测未来，是极有帮助的，不可轻易抛弃。而RNN的核心诉求之一，就是能将以往的信息连接到当前任务中。

        以上说的就是RNN的东西。

      

       如果我问你，遗忘是件好事还是坏事。或许你会说，当然是件坏事，我可羡慕记忆力好的人了。

       可是你会说，如果你到现在还记得，两岁时，隔壁家的小女孩“横刀夺爱”，抢了你的棒棒糖，估计你现在还可能单身。如此“记仇”的人，不孤独也难。

       的确有时候，遗忘是好事，它会让大脑清理无用“内存”，让你能得以重新起航。其实从脑科学的角度来看，记忆是一种生物运算，它需要消耗能量的。从进化论的角度来看，如果大脑一直长时间运算着用不着的“子程序”是极不经济的。在物资并不丰裕的远古时代，这样的生物会被“物竞天择”掉的。因此，遗忘在某种程度上，是生物的一种自我保护机制。

       但是正如前面所说的，记忆有时候也是非常重要的。所以，过犹不及，我们既需要记忆，也需要遗忘。我们既需要短期记忆，必要时还要将这些短记忆拉长，留存下来，以备后用。

       长短期记忆(Long Short-Term Memory，简称LSTM)。这个名字有点怪，难道是又长又短的记忆？当然不是，请注意“Short-term”中间有一个短横线“-”连接。这表明，在本质上，LSTM还是短期记忆(short-term memory)，只是它历经的时序较长而已。

        以上说的就是LSTM的东西。
   

二、RNN递归神经网络

       循环神经网络之所以被称为“循环”，就是因为它的网络表现形式有循环结构，从而使得过去输出的信息作为记忆而被保留下来，并可应用于当前输出的计算中。也就是说，RNN的同一隐层之间的节点是有连接的。下面分别是循环图和展开图。

       X向量表示输入层的值，O向量表示输出层的值，其他参数还有U、V和W。假设输入层神经元个数为n个，隐层的神经元个数为m个，输出层的神经元个数为r，那么U是输入层到隐藏层的权重矩阵，大小为（n*m）维，V是隐层到输出层的权重矩阵，大小为（m*r）维。那么，W是什么？RNN中隐层 的值，不仅仅取决于当前输入x，还取决于上一层隐层的值 。如此一来，W表示的就是隐藏层上一次输入值而作为本次输入的权重矩阵，大小为（m*m）维。

       下面对RNN网络的结构和符号进行形式化定义。我们先用一个函数 表示经过t步展开后的循环，如下公式所示：

       函数 将过去的所有序列 作为输入，从而生成当前的状态，其中θ表示激活函数σ中所有的参数集合。 表示序列中的第t时刻或第t时间步的输入数据，它通常也是一个向量。向量 表示的是隐层的值。如下图所示：（ 下面的图非常重要，是RNN的精髓）

（ 上面的图非常重要，是RNN的精髓）

      从上图可以看到，第t时间的记忆信息是由前（t-1）个时间步累计而成的结果 和当前的输出 共同决定的。这些信息保存在隐层中，不断向后传递，跨越多个时间步，共同影响每个输入新信息的处理结果。
      

       怎么循环RNN网络？

       循环RNN的算法叫做时间反向传播（简称BPTT）。它和传统的反向传播算法BP有类似之处，他们的核心任务都是利用反向传播调参，从而使得损失函数最小化。

       由于RNN中采用的激活函数是sigmoid，其导数值域锁定在[0, 1/4]范围之内。故此，每一层反向传播过程，梯度都会以前一层1/4的速度递减。可以想象，随着传递时间步数的不断增加，梯度会呈现指数级递减趋势，直至梯度消失。如下图所示，假设当前时刻为t，那么在（t-3）时刻，梯度将递减至(1/4)**3=1/64，以此类推。

        一旦梯度消失（或梯度趋近于0），参数调整就没了方向感，从而BPTT的最优解也就无从获得，因此RNN的应用受到了局限。所以我们需要LSTM等的解决方案。

       再啰嗦一下梯度消失和梯度爆炸：

       梯度消失：如果梯度较小的话（<1)，多层迭代以后，指数相乘，梯度很快就会下降到对调参几乎就没有影响了。（0.99）^100是不是趋近于0。

       梯度爆炸也是同一个意思，只是反过来说。（1.01）^100是不是很大。

 

三、LSTM神经网络

      由上面所述，第一代RNN的问题出在神经元的功能不健全上，它把该记住的遗忘了，又把该遗忘的记住了。那如何改造它？LSTM的核心本质在于：通过引入巧妙的可控自循环，以产生让梯度能够得以长时间可持续流动的路径。我们在原有神经元的基础上再增加一个状态即c，让它“合理地”保存长期的状态不就解决问题了。

       假设新增加的状态c，称为记忆单元态（cell state），也称为“记忆块(memory block)”，用以取代传统的隐含神经元节点。它负责把记忆信息从序列的初始位置，传递到序列的末端。如下图所示：

       从上图可以看出，在LSTM结构中，在t时刻，当前神经元（粗红线）的输入有三个：当前时刻输入值x(t)、前一时刻s(t-1)和前一时刻的记忆单元状态c(t-1)。输出有两个：当前时刻LSTM输出值s(t)和当前时刻的记忆单元状态c(t)。 注意：这里的x，s和c都是向量，里面都包含多个参数值。

       如何有效控制这个长期状态c而为我们所用？LSTM的设计思路是设计3把控制门开关（gate），从而打造一个可控记忆神经元。

       第一把门开关，就是负责决定前一个长期记忆c(t-1)在多大程度上保留到c(t)中，它可选择性地遗忘部分之前积累的信息，这个是“ 遗忘门”；第二把门开关，就是负责控制以多大程度把当前即时状态存入到长期记忆状态c(t)中，这个是“ 输入门”；第三把开关，负责控制是否把长期状态c，作为当前LSTM的输出，这个是“ 输出门”。记忆就如是酒保手中的酒，是“勾兑”可调的，这个叫“ 候选门”，它控制着以多大比例融合历史信息和当下刺激。

       上面的“门开关”，实际上就是一个全连接网络层，它的输入是一个负责的矩阵向量，而输出是一个0到1之间的实数向量。

       假设W是门的权重向量，b为偏置向量，这个“门”可表示为公式：

        这里，激活函数σ可用sigmoid函数的输出来控制门的开与关。由于sigmoid函数的值域被控制在0和1之间，那么，激活函数输出为0时，任何向量与之相乘结果为0，这就相当于“门”关上了；如果输出为1时，任何向量与之相乘都不会改变，这就相当于“门”完全开启。当输出值在0至1之间时，这相当于门是半掩半开的，就可以调控“记忆”的留存程度。

 

1、遗忘门

       遗忘门的目的在于，控制从前面的记忆中，丢弃多少信息，或者说要继承过往多大程度的记忆。以音乐个性化推荐为例，用户对某位歌手或某个流派的歌曲感兴趣，那么诸如“点赞”、“转发”和“收藏”等这样的正向操作，作为“记忆”，就需要得到加强。反之，如果发生了删除、去掉点赞或收藏等这类负向操作，对于推荐功能来说，它的信息就应该被“遗忘”得多一些。

       在公式中，σ标识激活函数，通常为sigmoid。 表示遗忘门权重矩阵， 是遗忘门输入层和隐层之间的权重矩阵，b(f)表示遗忘门的偏置，这里的下标f是“遗忘(forget)”的首字母，为了增强可读性而已，下同。从公式可看出，遗忘门是通过将前一隐层的输出s(t-1)与当前的输入x(t)进行了线性组合，然后利用激活函数，将其输出值压缩到0到1的区间之内。当输出值越靠近1，表明记忆体（cell block）保留的信息就越多；反之，越靠近0，表明保留的就越少。记忆门的工作过程如下表示：

2、输入门

       输入门的作用在于，它决定了当前时刻的输入信息X(t)以多大程度添加至记忆信息流中，它的计算公式几乎和遗忘门完全一致（除了下标和标识不同外），激活函数σ也使用sigmoid如下所示：

     
       由于和遗忘门功能类似，因此它们的示意图也是类似的，结合遗忘门在一起如下：



3、候选门

       候选门可视为一个“勾兑门”，它主要负责“勾兑”当前输入信息和过去记忆信息，也就是候选门负责计算当前输入的单元状态如下所示：

       在这里激活函数换成了tanh，它可以把输出值规整到-1和1之间，如下图所示：

       接下来，我们需要把记忆体中的状态从C(t-1)更新到C(t)。记忆的更新可由两部分组成：（1）通过遗忘门过滤掉不想保留的部分记忆，大小可记为  ；（2）添加当前新增的信息，添加的比例由输入门控制，大小可记为： 。然后将着这两个部分线性组合，得到更新后的记忆信息C(t)，公式如下：

       

       输入门与候选门的组合示意图如下：



       由于遗忘门的存在，它可以控制保存多久之前的信息。由于输入门的存在，它又可以避免当前无关紧要的内容进入到记忆门中。这样一来，该忘记的把它遗忘，该记住的把它记牢，二者相得益彰。

 

四、输出门

       内容的记忆状态更新完毕之后，下面就要决定是不是输出了。输出门的作用在于，它控制着有多少记忆可以用于下一层网络的更新中。输出门的计算可用公式表示：

        这里激活函数依然是sigmoid。sigmoid会把O(t)规则化为一个0到1之间权重值。有道是，“话不能说得太满，满了难以圆通；调不能定得太高，高了难以和声”。这里的输出，也需要“悠着点”，不能太“任性”的输出，因此还要用激活函数tanh把记忆值变换一下，将其变换为-1至+1之间的数。负值区间表示不但不能输出，还得压制一点，正数区间表示合理的输出。这样有张有弛，方得始终。最终输出门的公式为： 

          最后，结合前面的门路设计，完整的记忆神经元如图所示：

       上面是LSTM的结构，实际上只是讨论了它的前向传播工作原理。LSTM的参数训练算法，依然是我们熟悉的反向传播算法。对于这类反向传播算法，它们遵循的流程都是类似的，主要有如下三个步骤：

（1）前向计算每个神经元的输出值。对于LSTM而言，依据前面介绍的流程，按部就班地分别计算出f(t)、i(t)、c(t)、o(t)和s(t)

（2）确定优化目标函数。在训练早期，输出值和预期值会不一致，于是可计算每个神经元的误差项值，借此构造出损失函数。

（3）根据损失函数的梯度指引，更新网络权值参数。与传统RNN类似，LSTM误差项的反向传播包括两个层面：一个是空间上层面的，将误差项向网络的上一层传播。另一个是时间层面上的，沿时间反向传播，即从当前t时刻开始，计算每个时刻的误差。