【NLP理论到实战】10 循环神经网络理论知识

文章目录

  • 循环神经网络
    • 目标
    • 1. 循环神经网络的介绍
    • 2. LSTM和GRU
      • 2.1 LSTM的基础介绍
      • 2.2 LSTM的核心
      • 2.3 逐步理解LSTM
        • 2.3.1 遗忘门
        • 2.3.2 输入门
        • 2.3.3 输出门
      • 2.4 GRU,LSTM的变形
    • 3. 双向LSTM

循环神经网络

目标

  1. 能够说出循环神经网络的概念和作用
  2. 能够说出循环神经网络的类型和应用场景
  3. 能够说出LSTM的作用和原理
  4. 能够说出GRU的作用和原理

1. 循环神经网络的介绍

为什么有了神经网络还需要有循环神经网络?


普通的神经网络中,信息的传递是单向的,这种限制虽然使得网络变得更容易学习,但在一定程度上也减弱了神经网络模型的能力。特别是在很多现实任务中,网络的输出不仅和当前时刻的输入相关,也和其过去一段时间的输出相关。此外,普通网络难以处理时序数据,比如视频、语音、文本等,时序数据的长度一般是不固定的,而前馈神经网络要求输入和输出的维数都是固定的,不能任意改变。因此,当处理这一类和时序相关的问题时,就需要一种能力更强的模型。


循环神经网络(Recurrent Neural Network,RNN)是一类具有短期记忆能力的神经网络。在循环神经网络中,神经元不但可以接受其它神经元的信息,也可以接受自身的信息,形成具有环路的网络结构。换句话说:神经元的输出可以在下一个时间步直接作用到自身(作为输入)
【NLP理论到实战】10 循环神经网络理论知识_第1张图片
通过简化图,我们看到RNN比传统的神经网络多了一个循环圈,这个循环表示的就是在下一个时间步(Time Step)上会返回作为输入的一部分,我们把RNN在时间点上展开,得到的图形如下:
【NLP理论到实战】10 循环神经网络理论知识_第2张图片
或者是:
【NLP理论到实战】10 循环神经网络理论知识_第3张图片
在不同的时间步,RNN的输入都将与之前的时间状态有关, t n t_n tn时刻网络的输出结果是该时刻的输入和所有历史共同作用的结果,这就达到了对时间序列建模的目的。

RNN的不同表示和功能可以通过下图看出:
【NLP理论到实战】10 循环神经网络理论知识_第4张图片

  • 图1:固定长度的输入和输出 (e.g. 图像分类)
  • 图2:序列输出 (e.g.图像转文字)
  • 图3:数列输入 (e.g. 文本分类)
  • 图4:异步的序列输入和输出(e.g.文本翻译).
  • 图5:同步的序列输入和输出 (e.g. 根据视频的每一帧来对视频进行分类)

2. LSTM和GRU

2.1 LSTM的基础介绍

假如现在有这样一个需求,根据现有文本预测下一个词语,比如天上的云朵漂浮在__,通过间隔不远的位置就可以预测出来词语是天上,但是对于其他一些句子,可能需要被预测的词语在前100个词语之前,那么此时由于间隔非常大,随着间隔的增加可能会导致真实的预测值对结果的影响变的非常小,而无法非常好的进行预测(RNN中的长期依赖问题(long-Term Dependencies))


那么为了解决这个问题需要LSTMLong Short-Term Memory网络
LSTM是一种RNN特殊的类型,可以学习长期依赖信息。在很多问题上,LSTM都取得相当巨大的成功,并得到了广泛的应用。


一个LSMT的单元就是下图中的一个绿色方框中的内容:
【NLP理论到实战】10 循环神经网络理论知识_第5张图片
其中 σ \sigma σ表示sigmod函数,其他符号的含义:
【NLP理论到实战】10 循环神经网络理论知识_第6张图片

2.2 LSTM的核心

【NLP理论到实战】10 循环神经网络理论知识_第7张图片

LSTM的核心在于单元(记忆细胞)中的状态,也就是上图中最上面的那根线。


但是如果只有上面那一条线,那么没有办法实现信息的增加或者删除,所以在LSTM是通过一个叫做的结构实现,门可以选择让信息通过或者不通过。


这个门主要是通过sigmoid和点乘(pointwise multiplication)实现的
【NLP理论到实战】10 循环神经网络理论知识_第8张图片
我们都知道, s i g m o i d sigmoid sigmoid的取值范围是在(0,1)之间,如果接近0表示不让任何信息通过,如果接近1表示所有的信息都会通过

2.3 逐步理解LSTM

2.3.1 遗忘门

遗忘门通过sigmoid函数来决定哪些历史信息会被遗忘


在下图就是 h t − 1 和 x t h_{t-1}和x_t ht1xt进行合并(concat)之后乘上权重和偏置,通过sigmoid函数,输出0-1之间的一个值,这个值会和前一次的记忆细胞状态( C t − 1 ​ C_{t-1}​ Ct1)进行点乘,从而决定遗忘或者保留
【NLP理论到实战】10 循环神经网络理论知识_第9张图片

2.3.2 输入门

【NLP理论到实战】10 循环神经网络理论知识_第10张图片

下一步就是决定哪些新的信息会被保留,这个过程有两步:

  1. 一个被称为输入门的sigmoid 层决定哪些信息会被更新
  2. tanh会创造一个新的候选向量 C ~ t \widetilde{C}_{t} C t,后续可能会被添加到细胞状态中

例如:我昨天吃了苹果,今天我想吃菠萝,在这个句子中,通过遗忘门可以遗忘苹果,同时更新新的主语为菠萝


现在就可以更新旧的细胞状态 C t − 1 C_{t-1} Ct1为新的 C t ​ C_{ t }​ Ct 了。
更新的构成很简单就是:

  1. 旧的细胞状态和遗忘门的结果相乘
  2. 然后加上 输入门和tanh生成的候选信息相乘的结果

【NLP理论到实战】10 循环神经网络理论知识_第11张图片

2.3.3 输出门

最后,我们需要决定什么信息会被输出,也是一样,这个输出经过变换之后会通过sigmoid函数的结果来决定那些细胞状态会被输出。
【NLP理论到实战】10 循环神经网络理论知识_第12张图片
步骤如下:

  1. 前一次的输出和当前时间步的输入的组合结果通过sigmoid函数进行处理得到 O t O_t Ot
  2. 更新后的细胞状态 C t C_t Ct会经过tanh层的处理,把数据转化到(-1,1)的区间
  3. tanh处理后的结果和 O t O_t Ot进行相乘,把结果输出同时传到下一个LSTM的单元

2.4 GRU,LSTM的变形

GRU(Gated Recurrent Unit),是一种LSTM的变形版本, 它将遗忘和输入门组合成一个“更新门”。它还合并了单元状态和隐藏状态,并进行了一些其他更改,由于他的模型比标准LSTM模型简单,所以越来越受欢迎。
【NLP理论到实战】10 循环神经网络理论知识_第13张图片
LSTM内容参考地址:https://colah.github.io/posts/2015-08-Understanding-LSTMs/

3. 双向LSTM

单向的 RNN,是根据前面的信息推出后面的,但有时候只看前面的词是不够的, 可能需要预测的词语和后面的内容也相关,那么此时需要一种机制,能够让模型不仅能够从前往后的具有记忆,还需要从后往前需要记忆。此时双向LSTM就可以帮助我们解决这个问题【NLP理论到实战】10 循环神经网络理论知识_第14张图片
由于是双向LSTM,所以每个方向的LSTM都会有一个输出,最终的输出会有2部分,所以往往需要concat的操作

你可能感兴趣的:(NLP理论到实战,RNN,LSTM,GRU,双向LSTM)