这是 公众号：【朱利安笔记】2018年的原创文章，欢迎关注公众号，定期推送AI产品干货 ~
RNN，全称是Recurrent Neural Network，中文名循环神经网络，在NLU上运用很多。
以下内容根据台大李宏毅教授的课件整理而成
链接：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html
先不讲RNN的结构，首先抛个问题
一、Chatbot是怎么实现的？
1. Slot Filling
先看一个日常生活中的例子
当你用小米手机语音call小爱同学，让她帮你设定闹钟的时候，实际发生的事情如下
步骤：
1）将用户的语音转化为文字
2）分析文字内容，进行填槽（Slot Filling）
3）根据填槽结果，执行命令
4）反馈结果到界面
这里的Slot Filling，中文称为填槽，将句子的内容的文字填写到正确的槽中，这个过程就是我们需要去训练Machine实现的。
训练填槽，实际就是Train一个CNN，我们希望
input：闹钟和下午五点的时候
期望output：闹钟是行为，下午五点是时间（能正确的填槽）
2. Slot Filling存在的问题
利用CNNtrain的时候，存在一个问题，CNN没有memory（记忆）
例如当我们分别input
“我想要加糖的咖啡”
“我不想要加糖的咖啡”
如果机器仅仅识别出了“糖”和“咖啡”，填槽结果相同，即使这两句话表达的意思是完全不同的，但是得出的结果是相同的，这显然有问题！
我们除了要让machine认出“糖”和“咖啡”，还要让他知道句子中的其他内容是会影响到填槽的结果，需要machine能记住句子前面的内容。
又比如，当我们和machine说
“给我推荐一顶帽子”
M：“好的”
“白色的”
M：“我不知道你在说什么？”
“…”
人类正常的对话中，后来的语句是可以补充，修改前面的语句，但是machine如果没有memory，就会不知道多个语句之间的关系，体验会很差。
所以我们希望machine也能记住句子后面的内容。
怎么实现呢？RNN来了。
3. RNN的粗线
RNN是一种特殊的CNN，引入了Store来存储信息
每一次都将前一次RNN的结果，带入到下一次RNN的隐层中，一起train。
例如
“Leave Taipei on November 2nd”
这样即使一个句子中，11月2号离开台北和11月2号回到台北，填槽都是“11月2号”和“台北”，但是最终的结果是不同的
二、RNN的类型
RNN可以分类两类，一种是
· simple RNN
· Long short term memory
1. Simple RNN
上文中提到的，采用sort存储信息，然后将信息带入到下一次的RNN的隐层的做法，就是simple RNN
1）按输入的前后向分类
按照语言顺序分类
- 前向RNN
即只将语句前部分的内容不断的向后一个RNN传递，但这样带来的缺陷是位于句子后半部分的内容没法影响前半部分。
- 双向RNN
Bidirectional RNN是先正向一次，再反向一次，将两者的store混合，再扔入NN中在来一次，好处是看的内容比较广，即考虑了句子的前部分，也考虑了句子的后部分。
2）按存储结果的不同输入到不同的隐藏层
- Elman Network
将上一隐层的结果传入到下一个RNN的隐层
- Jordan Network
将上一output的结果传入到下一个RNN的隐层
3） 缺点
simpleRNN有两个缺点
- 记忆非常短期
第一个隐层的Store内容输入到第二个隐层后，store内的内容是会被改写的，再给到第三个隐层的store的内容，实际是混合的第一和第二个隐层。
换个角度讲，第一个隐层的store的内容在往后传递的时候，影响是逐渐减弱的，也可以理解为simpleRNN的记忆是非常短期的，很快就给改写了。
- 没法控制Store内的内容
第二个缺陷，一个语句中并不是所有的内容都应该写入到Store中影响整个语句。
例如
“我想要加糖的咖啡”
句子中的“我”“的”这些词实际对整体影响是不大的，但是都会写入到store中，所以simpleRNN也没法控制store的内容。
如何解决以上的问题？
是时候祭出大杀器了——Long short term memory
2. Long short term memory(LSTM)
LSTM结构如下
不同于store直接存入的结构，LSTM由4个输入一个输出组成
1）input，就是外界要存入memory的内容
2）input gate，控制存入门的开关
3）forget gate，控制是否清空memory的开关
4）output gate，控制是否输入memory的开关
5）output，输入memory的内容到其他的隐层
有了以上的结构，就能控制只将重要的内容存入到memory中，不重要的内容不存入，需要的时候输出，必要的时候清空等，十分强大。
所以LSTM解决了上述simpleRNN的两个问题。
LSTM看起来复杂，但实际控制各个gate的参数，是后期machine自己train的过程中学会的，并不需要设定好，并且他是work的！
不过，LSTM也有缺点，因为他的特殊结构，所以所需的参数量是simpleRNN的四倍。
三、RNN的特性
RNN train的时候，Loss波动很大
由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss是震荡起伏的……
为了解决RNN的这个问题，在train的时候，可以有个clipping的方式，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止飞出去…（居然还能这么操作，66666）
四、RNN的运用
RNN有很广泛的运用，根据input和output的不同，可以分为以下4种
1.一对一的应用
Input is a vector,output is a vector
上文提到的填槽，将每个词都填充指定类型的槽中，就是一对一的应用。
2.多对一的应用
Input is a vector sequence, but output is only one vector
例如分析文字情感
3.多对多的应用
Both input and output are both sequences
例如无码科技做的Readhub
4.超越序列的应用
Input is a vector,but output is beyond sequence
例如输入是语句，输出是对应的语法结构
#推荐阅读
-【AI笔记】Chatbot中的填槽(Slot Filling)
-【AI笔记】人工智能的WHAT、HOW及WHY
更多内容，欢迎关注公众号【朱利安笔记】，定期推送AI产品干货 ~
