Transformer的前世今生 day06（Self-Attention和RNN、LSTM的区别）_rnn和self attention

Self-Attention和RNN、LSTM的区别

• RNN的缺点：无法做长序列，当输入很长时，最后面的输出很难参考前面的输入，即长序列会缺失上文信息，如下：
  • 可能一段话超过50个字，输出效果就会很差了
    
• LSTM通过忘记门、输入门、输出门、记忆单元，来有选择性的记忆之前的信息，如下：
  • 可能一段话超过200个字，输出效果才会很差
    
• 总结：RNN和LSTM无法解决长序列依赖问题，而且它们都是序列模型，必须上一个做完了才能做下一个，无法做并行
• Self-Attention针对以上的两个问题，有以下解决
  • 1、由于集合中的每一个词都会和其他的词做相似度计算，所以即使序列再长，两个词之间的联系都能通过相似度存储到它们的词向量上，保留下来。
    
• 2、由于我们将集合中的每一个词都要得到它的Q、K、V，并要做相似度计算以及乘和操作，所以不需要等前一个词做完了才能做下一个词，而是可以很多个词一起做，可以做并行，如下：
  
• 而且，通过Self-Attention得到的新的词向量具有句法特征和语义特征（词向量的表征更完善）
• 但是，Self-Attention的计算量特别大（集合中的每一个单词和其他所有单词都要计算相似度），所以在文本量为50个单词左右，模型的效果最好。而LSTM虽然没有解决长序列依赖，但是它在处理长文本任务时，文本量在200个单词左右，模型的效果最好

RNN（循环神经网络）

• RNN，当前的输出$o_t$取决于上一个的输出$o_{t-1}$（作为当前的输入$x_{t-1}$）和当前状态下前一时间的隐变量$h_t$，隐变量和隐变量的权重$W_{h}h$存储当前状态下前一段时间的历史信息，如果我们去掉$W_{hh}\ast h_{t-1}$，RNN就退化为MLP
• 在RNN中，我们根据前一个的输出和当前的隐变量，就可以预测当前的输出。当前的隐变量也是由上一个隐变量和前一个输出
  （即当前的输入）所决定的
  
• 所以RNN其实就是MLP多了一个时间轴，能存储前一段时间的历史信息，并根据这个历史信息来更新层的参数
  • 同时由于RNN会不加选择的存储前一段时间的历史信息，所以如果序列太长，即句子太长，隐变量会存储太多信息，那么RNN就不容易提取很早之前的信。
    

GRU（门控神经网络）

• 为了解决RNN处理不了很长的序列，我们可以有选择的存储历史信息，通过更新门和重置门，来只关注有变化的重点信息
  
• GRU引入了$R_t$、$Z_t$、${\tilde{H}}_t$
  • 其中$R_t$、$Z_t$为控制单元，是可以学习的参数，由于最后用了sigmoid函数，所以范围在(0,1)，表示要不要进行Reset和Update操作
    
  • 其中${\tilde{H}}_t$为候选隐变量，跟$R_t$有关，$R_t\ast H_{t-1}$表示：候选隐变量要使用多少过去隐变量的信息
    
  • 而$H_t$为真正的新的隐变量，跟$Z_t$有关，$(1-Z_t)\odot {\tilde{H}}_t$表示：新的隐变量要使用多少当前输入的信息
  • 通常情况下：GRU会在以下极端情况中，进行可学习的调整，来决定是多去看当前的输入信息，还是多去看前一次的隐变量
  • 极端情况如下：
• 当$Z_t$为0，$R_t$为1时：$H_t$ = ${\tilde{H}}_t$，不遗忘前一次的隐变量，GRU就退化为RNN
• 当$Z_t$为1时：不考虑候选隐变量，$H_t$ = $H_{t-1}$，即不使用$X_t$更新隐变量，当前隐变量和上一次的隐变量相同
• 当$R_t$为0，$Z_t$为0时：$H_t$ = ${\tilde{H}}_t$，不使用前一次的隐变量，只用$X_t$来更新隐变量
  

LSTM（长短期记忆网络）

• LSTM和GRU都是实现这个效果：是要多去看现在的输入信息，还是要多去看前一次的隐变量，即过去的信息
• 但是LSTM可以多实现一个效果：什么都不看，直接重置清零
• LSTM中的状态有两个：$C_t$记忆单元、$H_t$隐变量
  • 注意：LSTM额外引入的$C_t$记忆单元，$C_t$的范围无法保证，可以用来增加模型复杂度，多存储信息。但是最终仍然需要让$H_t$的范围仍在(-1,1)之间，防止梯度爆炸。
  • 注意：LSTM中的忘记门、输入门、输出门的具体公式和GRU的更新门、重置门一样
    
    
• ${\tilde{C}}_t$候选记忆单元：LSTM中的候选记忆单元和RNN中的$H_t$的计算公式一样，没有用到任何门，但是由于最后用了tanh()，所以范围在(-1,1)之间
  
• $C_t$记忆单元：LSTM中的记忆单元和GRU中的$H_t$不一样，记忆单元可以既多看上一个的记忆单元，又多看当前的候选记忆单元（当前的输入信息$X_t$）。记忆单元也可以即不要上一个的记忆单元，又不要当前的候选记忆单元。但是GRU中的$H_t$为$Z_T$和$1-Z_t$，所以要么多看上一个的隐变量，要么多看当前的候选隐变量
  
• $H_t$隐变量：由于$F_t$和$I_t$都是(0,1)，而${\tilde{C}}_t$在(-1,1)，但是$C_{t-1}$可以特别大（跟$C$的初始值有关），所以上一步的$C_t$的范围无法保证，那么为了防止梯度爆炸，我们需要再做一次tanh()变换。
  • 注意：此时的$O_t$来控制要不要输出当前的输入信息和前一次的隐变量，当$O_t$为0时，表示重置清零
    
• 总结：通过引入记忆单元，LSTM比GRU更灵活，即可以既多看当前的候补记忆单元（当前的输入信息$X_t$），又可以多看前一个的记忆单元，也可以两者都不看都忘掉。通过引入记忆单元还可以多存储信息。同时保留$H_t$，防止梯度爆炸，还能重置清零隐变量
  

参考文献

1. 11 Self-Attention相比较 RNN和LSTM的优缺点