RNN原理介绍

RNN原理

RNN在实际使用的频率并不多，大多使用LSTM替代RNN，因此对RNN进行简单的介绍。RNN是研究LSTM的基础，毕竟LSTM是基于RNN的改良，二者循环原理大体一致。

初识RNN，要记住在时间步上，RNN的权值共享即可。

RNN的运行原理就相当于，每一个时间步利用RNN计算一次得到输出结果，每个时间步上的RNN都是同一个东西。

RNN输入到输出

• 输入：

RNN只有两个输入：$x_t$和$h_{t-1}$。这两个输入分别为当前时刻的样本输入和上一时刻的隐层状态输入。我们无法操作$h_{t-1}$，只需要指定$x_t$即可。

• 输出：

RNN有两个输出：$O_t$和$h_t$。这两个输出分别为当前时间步的输出和当前时间步的隐藏层输出。当前隐藏层转态将作为输入参与下一时间步的计算。

由输入到输出$O_t$和$h_t$的计算公式分别为：

$h_t=\sigma (U\ast x_t+V\ast h_{t-1}+b)(1)$

$O_t=W\ast h_t+c(2)$

输出整个RNN网络的最终结果时，最后一层RNN输出的结果$O_t$需要进行一次非线性变换，如果是分类网络，激活函数一般为softmax。

$y_t=f(O_t)(3)$

RNN优缺点

优点：

• 处理短序列，循环神经网络工作的比较好。

缺点：

• 不能处理长序列问题，原因是RNN循环相乘相乘导致梯度消失或者梯度爆炸，几乎不可训练
• RNN的这种利用上一步的输出作为上一时间步的信息输入到当前时间步，在任意时间步处理中，只参考了前面时间步的特征，序列后方没有学到更前面的时间步的特征。因此引出了BRNN。

RNN梯度消失或者梯度爆炸的原因和解决办法

在RNN反向传播中，需要求$h_t$相对权重V的偏导数，而这时由于有$h_{t-1}$，$h_{t-1}$又是关于V的函数，根据链式求导法则，需要求$h_t$对$h_{t-1}$的偏导数，一直回溯1~（t-1）所有时刻的信息，于是会存在连乘项$\prod \frac{\partial h_t}{\partial h_{t-1}}$。

根据(1)式可知，$\frac{\partial h_t}{\partial h_{t-1}}$偏导数为：${\sigma }^{\prime }\ast V$，连乘之后，会有${\sigma }^{\prime }$连乘。由于RNN使用sigmod激活函数，其导数范围在[0,0.25]之间，那么当V>4时会产生梯度爆炸，而当V<4时会产生梯度消失。

所以RNN在处理长序列时，会导致梯度消失和梯度爆炸。梯度爆炸可以采取clip，但是梯度消失比较难以解决。