Coursera Deep Learning笔记 序列模型（一）循环序列模型[RNN GRU LSTM]

参考1参考2参考3

1. 为什么选择序列模型

序列模型能够应用在许多领域，例如：

• 语音识别

• 音乐发生器

• 情感分类

• DNA序列分析

• 机器翻译

• 视频动作识别

• 命名实体识别

这些序列模型都可以称作使用标签数据(X,Y)作为训练集的监督式学习，输入x和输出y不一定都是序列模型。如果都是序列模型的话，模型长度不一定完全一致。

2. Notation(标记)

下面以 命名实体识别 为例，介绍序列模型的命名规则。示例语句为：

Harry Potter and Hermione Granger invented a new spell.

该句话包含9个单词，输出 \(y\) 即为 \(1 \times 9\) 向量，每位表征对应单词是否为人名的一部分，1表示是，0表示否。很明显，该句话中“Harry”，“Potter”，“Hermione”，“Granger”均是人名成分，所以，对应的输出y可表示为：

\[y=[1\ \ 1\ \ 0\ \ 1\ \ 1\ \ 0\ \ 0\ \ 0\ \ 0] \]

一般约定使用 \(y^{}\) 表示序列对应位置的输出; 使用 \(T_y\) 表示输出序列长度，则 \(1\leq t\leq T_y\)

对于输入 \(x\)，表示为：

\[[x^{<1>}\ \ x^{<2>}\ \ x^{<3>}\ \ x^{<4>}\ \ x^{<5>}\ \ x^{<6>}\ \ x^{<7>}\ \ x^{<8>}\ \ x^{<9>}] \]

同样，\(x^{}\) 表示序列对应位置的输入，\(T_x\) 表示输入序列长度。注意，此例中，\(T_x=T_y\)，但是也存在 \(T_x\neq T_y\) 的情况。

如何表示每个 \(x^{}\)：

• 方法是首先建立一个词汇库vocabulary，尽可能包含更多的词汇。例如一个包含10000个词汇的词汇库为：

\[\left[ \begin{matrix} a \\ and \\ \cdot \\ \cdot \\ \cdot \\ harry \\ \cdot \\ \cdot \\ \cdot \\ potter \\ \cdot \\ \cdot \\ \cdot \\ zulu \end{matrix} \right] \]

• 该词汇库可看成是10000 x 1的向量。ps: 自然语言处理NLP实际应用中的词汇库可达百万级别的词汇量。

• 然后，使用one-hot编码，例句中的每个单词 \(x^{}\) 都可以表示成 \(10000 \times 1\) 的向量，词汇表中与 \(x^{}\) 对应的位置为1，其它位置为0。

• 该 \(x^{}\) 为one-hot向量。如果出现词汇表之外的单词，可以使用UNK或其他字符串来表示。

• 对于多样本，以上序列模型对应的命名规则可表示为：\(X^{(i)}, y^{(i)}, T_x^{(i)}, T_y^{(i)}\)。

  • 其中，\(i\) 表示第i个样本，不同样本的 \(T_x^{(i)}\) 或 \(T_y^{(i)}\) 都可能不同.

3. Recurrent Neural Network Model

对于序列模型，如果使用标准的神经网络，其模型结构如下：

Problems：

1. 不同样本的输入序列长度 或 输出序列长度不同，即 \(T_x^{(i)}\neq T_x^{(j)}\)，\(T_y^{(i)}\neq T_y^{(j)}\)，，造成模型难以统一。

   • 解决：设定一个最大序列长度，对每个输入和输出序列 补零并统一到最大长度。但是这种做法实际效果并不理想。

2. 标准神经网络结构无法共享序列不同 \(x^{}\) 之间的特征。

   • 例如，如果某个 \(x^{}\) 即“Harry”是人名成分，那么句子其它位置出现了“Harry”，也很可能也是人名。这是共享特征的结果。但是，上图所示的网络不具备共享特征的能力。

   • 共享特征还有助于减少神经网络中的参数数量，一定程度上减小了模型的计算复杂度。假设每个 \(x^{}\) 扩展到最大序列长度为100，且词汇表长度为10000，则输入层就已经包含了100 x 10000个神经元了，权重参数很多，运算量将是庞大的。

---

循环神经网络(RNN) 是专门用来 解决序列模型问题的。RNN模型结构如下：

• 序列模型从左到右，依次传递，此例中，\(T_x=T_y\).

• \(x^{}\) 到 \(\hat y^{}\) 之间是隐藏神经元.

• \(a^{}\) 会传入到 \(t+1\) 个元素中，作为输入。 其中， \(a^{<0>}\) 一般为零向量.

RNN模型包含三类权重系数

• 分别是 \(W_{ax}, W_{aa}, W_{ya}\)。且不同元素之间 同一位置 共享同一权重系数.

RNN的正向传播(Forward Propagation)过程：

\[a^{}=g(W_{aa}\cdot a^{}+W_{ax}\cdot x^{}+b_a) \\ \hat y^{}=g(W_{ya}\cdot a^{}+b_y) \]

• 其中，\(g(⋅)\)表示激活函数，不同的问题需要使用不同的激活函数。

• 为了简化表达式，可以对 \(a^{}\) 项进行整合：

\[W_{aa}\cdot a^{}+W_{ax}\cdot x^{}=[W_{aa}\ \ W_{ax}]\left[ \begin{matrix} a^{} \\ x^{} \end{matrix} \right]\rightarrow W_a[a^{},x^{}] \]

• 正向传播可表示为：

\[a^{}=g(W_a[a^{},x^{}]+b_a) \\ \hat y^{}=g(W_{y}\cdot a^{}+b_y) \]

• 以上所述的RNN为单向RNN，即按照从左到右顺序，单向进行， \(\hat y^{}\) 只与左边的元素有关，但是，有时候 \(\hat y^{}\) 也可能与右边元素有关。

• 例如下面两个句子中，单凭前三个单词，无法确定“Teddy”是否为人名，必须根据右边单词进行判断。

  • He said, “Teddy Roosevelt was a great President.”

  • He said, “Teddy bears are on sale!”

• 还有一种RNN结构是双向RNN，简称为 BRNN。\(\hat y^{}\) 与左右元素均有关系

4. Backpropagation through time

针对上面识别人名的例子，经过RNN正向传播，单个timestep的Loss function为：

\[L^{}(\hat y^{},y^{})=-y^{}log\ \hat y^{}-(1-y^{})log\ (1-\hat y^{}) \]

该样本所有元素的Loss function为：

\[L(\hat y,y)=\sum_{t=1}^{T_y}L^{}(\hat y^{},y^{}) \]

然后，反向传播(Backpropagation)过程就是从右到左分别计算 \(L(\hat y,y)\) 对参数 \(W_a ，W_y，b_a，b_y\) 的偏导数.

5. Different types of RNNs

以上介绍的例子中，\(T_x=T_y\)。但是在很多RNN模型中，\(T_x\)是不等于\(T_y\)的。

根据 \(T_x\) 与 \(T_y\) 的关系，RNN模型包含以下几个类型：

• Many to many: \(T_x=T_y\)

• Many to many: \(T_x\neq T_y\)

• Many to one: \(T_x>1,T_y=1\)

• One to many: \(T_x=1,T_y>1\)

• One to one: \(T_x=1,T_y=1\)

不同类型相应的示例结构如下：

6. Language model and sequence generation(语言模型和序列生成)

语言模型是自然语言处理(NLP)中最基本和最重要的任务之一。使用RNN能够很好地建立 需要的不同语言风格的语言模型。

对语料库的每条语句进行RNN模型训练，最终得到的模型可以 根据给出语句的前几个单词 预测其余部分，将语句补充完整。

• 例如，给出“Cats average 15”，RNN模型可能预测完整的语句是 “Cats average 15 hours of sleep a day.”。

什么是语言模型呢？例，在语音识别中，某句语音有两种翻译：

• The apple and pair salad.

• The apple and pear salad.

显然，第二句话更有可能是正确的翻译.

• \(P(The\ apple\ and\ pair\ salad) = 3.2 \times 10^{−13}\)

• \(P(The\ apple\ and\ pear\ salad) = 5.7 \times 10^{−10}\) ，选择概率最大的语句作为正确的翻译.

---

RNN如何构建语言模型：

• 首先，我们需要一个足够大的训练集，训练集由大量的单词语句语料库(corpus)构成.

• 然后，对corpus的每句话进行切分词(tokenize)

• 建立vocabulary，对每个单词进行one-hot编码。例如下面这句话：The Egyptian Mau is a bread of cat.

  • 注意，每句话结束末尾，需要加上< EOS >作为语句结束符。

• 若语句中有词汇表中没有的单词，用< UNK >表示。假设单词“Mau”不在词汇表中，则上面这句话可表示为：

  • The Egyptian < UNK > is a bread of cat. < EOS >

• 准备好训练集，并对语料库进行切分词等处理之后，接下来构建相应的RNN模型。

• 语言模型的RNN结构如上图

  • \(x^{<1>}\) 和 \(a^{<0>}\) 均为零向量

  • softmax输出层 \(\hat y^{<1>}\) 表示出现该语句 第一个单词的概率

  • softmax输出层 \(\hat y^{<2>}\) 表示在第一个单词基础上出现第二个单词的概率，即条件概率，\(P(y^{<2>}|y^{<1>})\)

  • 以此类推，最后是出现< EOS >的条件概率。

单个timestep的softmax loss function为：

\[L^{}(\hat y^{},y^{})=-\sum_iy_i^{}log\ \hat y_i^{} \]

所有时序样本的Loss function为：

\[L(\hat y,y)=\sum_tL^{}(\hat y^{},y^{}) \]

整个语句出现的概率 等于 语句中 所有元素出现的条件概率乘积。

• 例如，某个语句包含 \(y^{<1>}, y^{<2>}, y^{<3>}\)

• 则整个语句出现的概率为：

\[P(y^{<1>},y^{<2>},y^{<3>})=P(y^{<1>})\cdot P(y^{<2>}|y^{<1>})\cdot P(y^{<3>}|y^{<1>},y^{<2>}) \]

7. Sampling novel sequences(新序列采样)

利用训练好的RNN语言模型，可以进行新的序列采样，从而 随机产生新的语句。

相应的RNN模型如下所示：

1. 首先，从第一个元素输出 \(\hat y^{<1>}\) 的softmax分布中 随机选取一个word作为 新语句的首单词。

2. 然后，\(y^{<1>}\) 作为 \(x^{<2>}\)，得到 \(\hat y^{<2>}\) 的softmax分布。从中选取概率最大的word作为 \(y^{<2>}\)

3. 继续将 \(y^{<2>}\) 作为 \(x^{<3>}\)，以此类推。直到产生< EOS >结束符，则标志语句生成完毕。

4. 可以设定语句长度上限，达到长度上限即停止生成新的单词。

5. 最终，根据随机选择的首单词，RNN模型会生成一条新的语句。

6. 注： 如果不希望新的语句中包含< UNK >标志符，可以在每次产生< UNK >时重新采样，直到生成非< UNK >标志符为止。

以上介绍的是word level RNN，即每次生成单个word，语句由多个word构成。

---

character level RNN 是另一种情况，词汇表由 单个英文字母 或 字符组成，如下所示：

\[Vocabulay=[a,b,c,\cdots,z,.,;,\ ,0,1,\cdots,9,A,B,\cdots,Z] \]

Character level RNN与word level RNN区别：

• \(\hat y^{}\) 由单个字符组成而不是word.

• 训练集中的每句话都当成是由许多字符组成的.

• character level RNN的优点：能有效 避免遇到词汇表中不存在的单词< UNK >.

• character level RNN的缺点：由于是字符表征，每句话的字符数量很大，这种大的跨度 不利于寻找语句前部分和后部分之间的依赖性.

  • character level RNN的在训练时的计算量庞大的。

  • character level RNN 应用不广泛，但在特定应用下仍然有发展的趋势。

8. Vanisging gradients with RNNs(梯度消失)

语句中可能存在跨度很大的依赖关系，即某个word可能与它距离较远的某个word具有强依赖关系。例：

• The cat, which already ate fish, was full.

• The cats, which already ate fish, were full.

上面两句话的这种依赖关系，由于跨度很大，普通的RNN网络容易出现 梯度消失，捕捉不到它们之间的依赖，造成语法错误。

RNN也可能出现梯度爆炸的问题，即gradient过大。解决办法是：设定一个阈值，一旦梯度最大值达到这个阈值，就对整个梯度向量进行尺度缩小。这种做法被称为 gradient clipping。

9. Gated Recurrent Unit(GRU)

RNN的隐藏层单元结构如下图所示：

• \(a^{}=tanh(W_a[a^{},x^{}]+b_a)\)

为了解决梯度消失问题，对上述单元进行修改，添加了记忆单元

---

GRU(simplified)：

相应的表达式为：

\[\tilde c^{}=tanh(W_c[c^{},x^{}]+b_c) \\ \ \\ \Gamma_u=\sigma(W_u[c^{},x^{}]+b_u) \\ \ \\ c^{}=\Gamma*\tilde c^{}+(1-\Gamma_u)*c^{} \]

其中：

• \(c^{}=a^{}\)，\(c^{}=a^{}\)

• \(\Gamma_u\) 为 gate，记忆单元。

  • 当 \(\Gamma_u=1\) 时，代表更新；

  • 当 \(\Gamma_u=0\) 时，代表记忆，保留之前的模块输出。

• * 是 元素对应的乘积

上面介绍的是简化的GRU模型.

---

Full GRU：

• 添加了另外一个gate，即 \(\Gamma_r\)，表达式如下：

\[\tilde c^{}=tanh(W_c[\Gamma_r*c^{},x^{}]+b_c) \\ \ \\ \Gamma_u=\sigma(W_u[c^{},x^{}]+b_u) \\ \ \\ \Gamma_r=\sigma(W_r[c^{},x^{}]+b_r) \\ \ \\ c^{}=\Gamma*\tilde c^{}+(1-\Gamma_u)*c^{} \\ \ \\ a^{}=c^{} \]

10. Long Short Term Memory(LSTM)

LSTM是另一种更强大的解决梯度消失问题的方法。它对应的RNN隐藏层单元结构如下图所示：

相应的表达式为：

\[\tilde c^{}=tanh(W_c[a^{},x^{}]+b_c) \\ \ \\ \Gamma_u=\sigma(W_u[a^{},x^{}]+b_u) \\ \ \\ \Gamma_f=\sigma(W_f[a^{},x^{}]+b_f) \\ \ \\ \Gamma_o=\sigma(W_o[a^{},x^{}]+b_o) \\ \ \\ c^{}=\Gamma_u*\tilde c^{}+\Gamma_f*c^{} \\ \ \\ a^{}=\Gamma_o* tanh\ c^{} \\ \]

LSTM包含三个gates：

• \(\Gamma_u\)： update gate

• \(\Gamma_f\)： forget gate

• \(\Gamma_o\)： output gate

如果考虑 \(c^{}\) 对 \(\Gamma_u\)，\(\Gamma_f\)，\(\Gamma_o\) 的影响，可加入peephole connection，对LSTM的表达式进行修改：

\[\tilde c^{}=tanh(W_c[a^{},x^{}]+b_c) \\ \ \\ \Gamma_u=\sigma(W_u[a^{},x^{},c^{}]+b_u) \\ \ \\ \Gamma_f=\sigma(W_f[a^{},x^{},c^{}]+b_f) \\ \ \\ \Gamma_o=\sigma(W_o[a^{},x^{},c^{}]+b_o) \\ \ \\ c^{}=\Gamma_u*\tilde c^{}+\Gamma_f*c^{} \\ \ \\ a^{}=\Gamma_o* tanh\ c^{} \]

GRU可以看成是简化的LSTM，两种方法都具有各自的优势。

11. Bidirectional RNN(双向循环神经网络 BRNN)

BRNN 对应的输出 \(y^{}\) 表达式：

\[\hat y^{}=g(W_{y}[a^{\rightarrow },a^{\leftarrow }]+b_y) \]

BRNN 能够同时对序列进行双向处理，性能大大提高。但是计算量较大，且在处理实时语音时，需要等到完整的一句话结束时才能进行分析。

12. Deep RNNs

Deep RNNs由多层RNN组成，其结构如下图所示：

与DNN一样，用上标 \([l]\) 表示层数。Deep RNNs中 \(a^{[l]}\)的表达式为：

\[a^{[l]}=g(W_a^{[l]}[a^{[l]},a^{[l-1]}]+b_a^{[l]}) \]

DNN层数可达100多，而Deep RNNs一般没有那么多层，3层RNNs已经较复杂了。

另一种Deep RNNs结构 是 每个输出层上还有一些垂直单元，如下图所示：