循环神经网络RNN

循环神经网络RNN

1. 循环神经网络RNN原理

工作过程

• 文本处理（训练）
• 一个神经元，不同时刻
• 每个时刻都有输出
  

表达式

1.正向传播

a(t)=b+Wh(t−1)+Ux(t)h(t)=tanh(a(t))o(t)=c+Vh(t)y^(t)=softmax(o(t))

其中，b 和c分别表示偏置向量，权重矩阵U、V 和W分别对应于输入到隐藏、隐藏到输出和隐藏到隐藏的连接 。

2.损失函数

Et(yt，y^t)=−ytlogy^tE(y，y^)=∑tEt(yt，y^t)=−∑tytlogy^t

3.反向计算

• 参数优化方法：同传统神经网络一样，梯度下降；
• 计算损失函数对参数的导数；
• 每个输出都对参数有影响；

• 对参数的导数为各个输出 ∂E∂W=∑t∂Et∂W 对参数导数之和。
  

  

• 以 E3 为例： E3 由 t0−t3 时刻 x,W 共同确定。
  

  ∂E3∂w=∑k=03∂s3∂sk⋅∂sk∂w⋅Δs3

结构

1.多层网络
类比传统神经网络单层到多层的结构变化，额外添加上层前一状态。

2. 双向网络
输入信息正向、反向来输入RNN。这是由于信息的依赖关系顺序不是一定的。

Vanishing Gradient 问题

∂E3∂w=∑k=03∂s3∂sk⋅∂sk∂w⋅Δs3

注意到 ∂s3∂sk 也需要使用链式法则，例如 ∂s3∂s1=∂s3∂s2⋅∂s2∂s1 。注意到因为我们是用向量函数对向量求导数，结果是一个矩阵（称为Jacobian Matrix），矩阵元素是每个点的导数。我们可以把上面的梯度重写成：

∂E3∂w=∑k=03(∏i=k+13∂si∂si−1)⋅∂sk∂w⋅Δs3

可以证明上面的Jacobian矩阵的二范数（可以认为是一个绝对值）的上界是1。这很直观，因为激活函数tanh把所有制映射到-1和1之间，导数值得界限也是1：

看到tanh和sigmoid函数在两端的梯度值都为0，接近于平行线。当这种情况出现时，我们就认为相应的神经元饱和了。它们的梯度为0使得前面层的梯度也为0。

矩阵中存在比较小的值，多个矩阵相乘会使梯度值以指数级速度下降，最终在几步后完全消失。比较远的时刻的梯度值为0，这些时刻的状态对学习过程没有帮助，导致你无法学习到长距离依赖。

消失梯度问题不仅出现在RNN中，同样也出现在深度前向神经网中。只是RNN通常比较深（例子中深度和句子长度一致），使得这个问题更加普遍。

很容易想到，依赖于我们的激活函数和网络参数，如果Jacobian矩阵中的值太大，会产生梯度爆炸而不是梯度消失问题。

梯度消失比梯度爆炸受到了更多的关注有两方面的原因。其一，梯度爆炸容易发现，梯度值会变成NaN，导致程序崩溃。其二，用预定义的阈值裁剪梯度可以简单有效的解决梯度爆炸问题。梯度消失出现的时候不那么明显而且不好处理。

影响：较长的记忆无法产生作用。
解决方式：

• 非线性激励更换；
• LSTM长短记忆单元。

2. 升级版RNN：LSTM

RNN局限

1. 前后依赖
I am from China, I speak Chinese.

这里，China -> Chinese，起到决定性作用，但是距离太远难以产生关联。

2. 解决方案
设计Gate， 保存重要的记忆，使用LSTM。

LSTM形成

Ct 是信息流控制的关键，参数决定了 ht 传递过程中，哪些被保存或者舍弃。该参数被Gate影响。

LSTM 的关键就是细胞状态，水平线在图上方贯穿运行。
细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。

LSTM 有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力。门是一种让信息选择式通过的方法。他们包含一个 sigmoid 神经网络层和一个 pointwise 乘法操作。

Sigmoid 层输出 0 到 1 之间的数值，描述每个部分有多少量可以通过。0 代表“不许任何量通过”，1 就指“允许任意量通过”！

LSTM 拥有三个门，来保护和控制细胞状态。

逐步理解LSTM

1. 第一步：对旧的信息进行去除

• 新输入 xt 的前一状态 ht−1 决定C的哪些信息可以舍弃；
• ft 与 Ct−1 运算，对部分信息进行去除。

这个决定通过一个称为忘记门层完成。该门会读取 ht−1 和 xt ，输出一个在 0 到 1 之间的数值给每个在细胞状态 Ct−1 中的数字。1 表示“完全保留”，0 表示“完全舍弃”。

在语言模型的例子中来基于已经看到的预测下一个词。在这个问题中，细胞状态可能包含当前主语的性别，因此正确的代词可以被选择出来。当我们看到新的主语，我们希望忘记旧的主语。

2. 第二步：确定什么样的新信息被保存

• 新输入 xt 前一状态 ht−1 告诉C哪些信息想要保存；
• it ：新信息添加时的系数或叫控制参数（对比 ft ）；
• C~t 为产生的新的候选信息向量，结合 it 系数，用于对 Ct 进行更新。

在语言模型的例子中，我们希望增加新的主语的性别到细胞状态中，来替代旧的需要忘记的主语。

3. 第三步：更新旧信息状态

• 把旧状态 Ct−1 与 ft 相乘，丢弃掉我们确定需要丢弃的信息；
• 接着加上 it∗C~t 这就是新的信息候选值，根据我们决定更新每个状态的程度进行变化。

在语言模型的例子中，这就是我们实际根据前面确定的目标，丢弃旧代词的性别信息并添加新的信息的地方。

4. 第四步：确定输出的信息

• 首先，运行一个 sigmoid 层来确定细胞状态的哪个部分将输出出去；
• 接着，把细胞状态通过 tanh 进行处理（得到一个在 -1 到 1 之间的值）并将它和 sigmoid 门的输出相乘；
• 最终仅仅会输出我们确定输出的那部分。

在语言模型的例子中，因为他就看到了一个 代词，可能需要输出与一个 动词 相关的信息。例如，可能输出是否代词是单数还是负数，这样如果是动词的话，我们也知道动词需要进行的词形变化。

问题： Gate的作用在哪里？有用的信息如何保存？
Answer：

• Gate 输出 it,ft,ot ，用来引导 Ct 的生成；
• 训练后， Ct 的相关参数为，这样便可以保存有用的信息。

LSTM的变种

1. Peephole connection
让”门层”也会接受细胞状态的输入，即 Ct−1 会影响 ft,it,ot 。

上面的图例中，增加了 peephole 到每个门上，但是一些实现中会加入部分的 peephole 而非所有都加。

2. Gate忘记/更新不再独立

通过使用 coupled 忘记和输入门。不同于之前是分开确定什么忘记和需要添加什么新的信息，这里是一同做出决定。

遗忘和更新部分互为补充。

3. Gated Recurrent Unit (GRU)

• 遗忘、更新Gate做结合（既不是独立，又不是互补）
• 控制参数 Ct 与输出 ht 结合，直接产生带有长短记忆能力的输出。

其中， zt 用于更新， rt 用于遗忘， h~t 则为临时控制参数的变形。

3. 语言处理特征提取：Word2Vec

• 语言文本信息：其表达形式为字符串形式，对于计算机来说是难以直接理解的；
• 机器学习处理信息：输入输出数据的形式一般为向量、多维数组。

Word2Vec

1. 建立字典
每个词生成one-hot向量。

如：Word个数为n，产生n维向量，第i个Word的向量为（0，0，…，1，0，0，0，…），1处于第i个位置。

2. 训练数据集构建

通过原文本，建立一些词与词之间的词对，这些词对作为候命要继续训练的样本。

3. 简单神经网络
简易三层神经网络，各层神经元个数：N-m-N；
学习的是词语到临近词的映射。

4. 生成最终的Vec
训练model进行特征提取；
每个one-hot对应一个300-d的向量；
生成最终的look up word table。

Word2Vec 特点

• 利用上下文（context）进行学习，两个词上下文类似，生成的vector会接近；
• 具有类比特性，king-queen+female = male;
• 字符->数据，方便使用机器学习算法进行处理。

LSTM语言的生成：

• word形式：Word2Vec；
• 训练过程：words->word；
• LSTM网络只有最后输出有用。

4. 实例：LSTM用于语言处理