循环神经网络总结_深度学习 循环神经网络实验小结

DNN及DNN的特例CNN的模型都是前向反馈的，模型的输出和模型本身没有关联关系。循环神经网络(Recurrent Neural Networks ，RNN)是一种输出和模型间有反馈的神经网络。

1. RNN概述

DNN和CNN中，训练样本的输入和输出是比较的确定的。但当训练样本输入是连续的长短不一的序列，如基于时间的序列：一段段连续的语音，一段段连续的手写文字时，很难直接将其拆分成一个个独立的样本来通过DNN/CNN进行训练。

2. RNN模型

RNN模型有比较多的变种，这里介绍最主流的RNN模型结构：

上图中左边是RNN模型没有按时间展开的图，如果按时间序列展开，则是上图中的右边部分。我们重点观察右边部分的图。

这幅图描述了在序列索引号t附近RNN的模型。其中：

3. RNN前向传播算法

4. RNN反向传播算法推导

RNN反向传播算法的思路和DNN一样，即通过梯度下降法一轮轮的迭代，得到合适的RNN模型参数U,W,V,b,c。由于是基于时间反向传播，所以RNN的反向传播有时也叫做BPTT(back-propagation through time)。BPTT和DNN有一些不同点，RNN所有的U,W,V,b,c在序列的各个位置是共享的，反向传播时更新的是相同的参数。

损失函数使用对数损失函数，输出的激活函数为softmax函数，隐藏层的激活函数为tanh函数。对于RNN，由于在序列的每个位置都有损失函数，因此最终的损失L为：

除了梯度表达式不同，RNN的反向传播算法和DNN区别不大。

RNN理论上可以解决序列数据的训练，但是它像DNN一样有梯度消失的问题，当序列很长的时候问题尤其严重。因此，上面的RNN模型一般不能直接用于应用领域。在语音识别，手写书别以及机器翻译等NLP领域实际应用比较广泛的是基于RNN模型的一个特例LSTM。

---

循环神经网络(Recurrent Neural Networks ，RNN)

RNN是一种输出和模型间有反馈，可以对序列型数据进行建模的神经网络模型。传统的前馈神经网络一般输入的都是一个定长的向量，无法处理变长的序列信息，即使通过一些方法把序列处理成定长的向量，模型也很难捕捉序列中的长距离依赖关系。为了解决这个问题，RNN通过将神经元串行来处理序列化的数据，引入了隐状态h的概念（hidden state），h可以对序列形的数据提取特征，由于每个隐状态神经元能用它的内部变量保存之前输入的序列信息，可以据此进行分类或生成新的序列。

RNN的重要特点：在计算所有隐状态时，每一步使用的参数U,W,b都是一样的，即每个步骤的参数都是共享的。

使用新的参数V和c,通过对h进行计算可以得到输出值（每一步使用的参数V和c也都是一样的）。分类问题使用Softmax函数，将输出转换成各个类别的概率。输入和输出序列是等长的，

优点：模型是时间维度上的深度模型，可以对序列内容建模；h=f(现有的输入+过去记忆总结)

缺点：需要训练的参数较多，容易出现梯度消失梯度爆炸问题；不具有特征学习能力

梯度爆炸与梯度消失

RNN反向传播算法的思路和DNN一样，即通过梯度下降法一轮轮的迭代，得到合适的RNN模型参数U,W,V,b,c。具体来说：RNN每一层的的隐状态都由前一层的隐状态经过变换和激活函数得到，反向传播求导时最终得到的导数会包含每一步梯度的连乘，这会引起梯度爆炸或梯度消失，所以RNN很难处理“长程依赖”问题，即无法学到输入序列中的长距离依赖关系。

梯度爆炸与梯度消失的解决

梯度爆炸：可以通过梯度裁剪来缓解，当梯度大于给定阈值时，对梯度进行等比收缩。

梯度消失：

1. 对模型本身进行改进：深度残差网络是对前馈神经网络的改进，通过残差学习的方式缓解了梯度消失的现象；而对于RNN来说，LSTM及其变种门控循环单元（Gated recurrent unit，GRU）等模型通过加入门控机制，可以一定程度缓解梯度消失。
2. 使用ReLU激活函数：在前馈神经网络中采用ReLU激活函数通常可以有效地改善梯度消失，取得更快的收敛速度和更好的收敛结果。在RNN中也可以使用ReLU作为隐含层的激活函数，但是需要对矩阵的初值做一定限制，否则十分容易引发数值问题。只有将W初始化为单位矩阵时才能取得比较好的效果。实验证明，初始化W为单位矩阵并使用ReLU激活函数在一些应用中取得了与LSTM相似的结果，并且学习速度比LSTM更快 

长短期记忆网络（Long Short Term Memory，LSTM）

LSTM是循环神经网络的扩展，RNN每一层的的隐状态都由前一层的隐状态经过变换和激活函数得到，反向传播求导时最终得到的导数会包含每一步梯度的连乘，这会引起梯度爆炸或梯度消失，所以RNN很难处理“长程依赖”问题，即无法学到输入序列中的长距离依赖关系。LSTM在隐状态计算时以加法代替了这里的迭代变换，可以避免梯度消失的问题，使网络学到长程的规律。

一个RNN单元的输入由两部分组成，即前一步RNN单元的隐状态和当前这一步的外部输入，此外还有一个输出。从外部结构看，LSTM和RNN的输入输出一模一样，同样是在每一步接受外部输入和前一阶段的隐状态，并输出一个值。因此，RNN可以无缝切换到LSTM。

LSTM里各模块分别使用什么激活函数，可以使用别的激活函数吗？

在LSTM中，遗忘门、输入门和输出门使用Sigmoid函数作为激活函数；在生成候选记忆时，使用双曲正切函数Tanh作为激活函数。这两个激活函数都是饱和的，在输入达到一定值的情况下，输出就不会发生明显变化了。如果使用非饱和的激活函数，例如ReLU，那么将难以实现门控的效果。 Sigmoid函数的输出在0～1之间，符合门控的物理定义。且当输入较大或较小时，其输出会非常接近1或0，从而保证该门开或关。在生成候选记忆时，使用Tanh函数，是因为其输出在−1～1之间，这与大多数场景下特征分布是0中心的吻合。此外，Tanh函数在输入为0附近相比Sigmoid函数有更大的梯度，通常使模型收敛更快。