注： 本文是总结性文章，叙述较为简洁，不适合初学者
目录
一、为什么要有RNN？
普通的MLP无法处理序列信息（如文本、语音等），这是因为序列是不定长的，而MLP的输入层神经元个数是固定的。
二、RNN的结构
普通MLP的结构（以单隐层为例）：
普通RNN（又称Vanilla RNN，接下来都将使用这一说法）的结构（在单隐层MLP的基础上进行改造）：
即
t
t
t 时刻隐藏层接收的输入来自于
t
−
1
t-1
t−1 时刻隐藏层的输出和
t
t
t 时刻的样例输入。用数学公式表示，就是
h
(
t
)
=
tanh
(
W
h
(
t
−
1
)
+
U
x
(
t
)
+
b
)
,
o
(
t
)
=
V
h
(
t
)
+
c
,
y
^
(
t
)
=
softmax
(
o
(
t
)
)
h^{(t)}=\tanh(Wh^{(t-1)}+Ux^{(t)}+b),\quad o^{(t)}=Vh^{(t)}+c,\quad \hat{y}^{(t)}=\text{softmax}(o^{(t)})
h(t)=tanh(Wh(t−1)+Ux(t)+b),o(t)=Vh(t)+c,y^(t)=softmax(o(t))
训练RNN的过程中，实际上就是在学习
U
,
V
,
W
,
b
,
c
U,V,W,b,c
U,V,W,b,c 这些参数。
正向传播后，我们需要计算损失，设时间步
t
t
t 处求得的损失为
L
(
t
)
=
L
(
t
)
(
y
^
(
t
)
,
y
(
t
)
)
L^{(t)}=L^{(t)}(\hat{y}^{(t)},y^{(t)})
L(t)=L(t)(y^(t),y(t))，则总的损失为
L
=
∑
t
=
1
T
L
(
t
)
L=\sum_{t=1}^T L^{(t)}
L=∑t=1TL(t)。
2.1 BPTT
BPTT（BackPropagation Through Time），通过时间反向传播是RNN训练过程中的一个术语。因为正向传播时是沿着时间流逝的方向进行的，而反向传播则是逆着时间进行的。
为方便后续推导，我们先改进一下符号表述：
h
(
t
)
=
tanh
(
W
h
h
h
(
t
−
1
)
+
W
x
h
x
(
t
)
+
b
)
,
o
(
t
)
=
W
h
o
h
(
t
)
+
c
,
y
^
(
t
)
=
softmax
(
o
(
t
)
)
h^{(t)}=\tanh(W_{hh}h^{(t-1)}+W_{xh}x^{(t)}+b),\quad o^{(t)}=W_{ho}h^{(t)}+c,\quad \hat{y}^{(t)}=\text{softmax}(o^{(t)})
h(t)=tanh(Whhh(t−1)+Wxhx(t)+b),o(t)=Whoh(t)+c,y^(t)=softmax(o(t))
做一个水平方向的 concatenation：
W
=
(
W
h
h
,
W
x
h
)
W=(W_{hh},W_{xh})
W=(Whh,Wxh)，为简便起见，省略偏置
b
b
b，则有
h
(
t
)
=
tanh
(
W
(
h
(
t
−
1
)
x
(
t
)
)
)
h^{(t)}=\tanh\left(W \begin{pmatrix} h^{(t-1)} \\ x^{(t)} \end{pmatrix} \right)
h(t)=tanh(W(h(t−1)x(t)))
，接下来我们将关注参数
W
W
W 的学习。
注意到
∂
h
(
t
)
∂
h
(
t
−
1
)
=
tanh
′
(
W
h
h
h
(
t
−
1
)
+
W
x
h
x
(
t
)
)
W
h
h
,
∂
L
∂
W
=
∑
t
=
1
T
∂
L
(
t
)
∂
W
\frac{\partial h^{(t)}}{\partial h^{(t-1)}}=\tanh'(W_{hh}h^{(t-1)}+W_{xh}x^{(t)})W_{hh},\quad \frac{\partial L}{\partial W}=\sum_{t=1}^T\frac{\partial L^{(t)}}{\partial W}
∂h(t−1)∂h(t)=tanh′(Whhh(t−1)+Wxhx(t))Whh,∂W∂L=t=1∑T∂W∂L(t)
从而
∂
L
(
T
)
∂
W
=
∂
L
(
T
)
∂
h
(
T
)
⋅
∂
h
(
T
)
∂
h
(
T
−
1
)
⋯
∂
h
(
2
)
∂
h
(
1
)
⋅
∂
h
(
1
)
∂
W
=
∂
L
(
T
)
∂
h
(
T
)
⋅
∏
t
=
2
T
∂
h
(
t
)
∂
h
(
t
−
1
)
⋅
∂
h
(
1
)
∂
W
=
∂
L
(
T
)
∂
h
(
T
)
⋅
(
∏
t
=
2
T
tanh
′
(
W
h
h
h
(
t
−
1
)
+
W
x
h
x
(
t
)
)
)
⋅
W
h
h
T
−
1
⋅
∂
h
(
1
)
∂
W
\begin{aligned} \frac{\partial L^{(T)}}{\partial W}&=\frac{\partial L^{(T)}}{\partial h^{(T)}}\cdot \frac{\partial h^{(T)}}{\partial h^{(T-1)}}\cdots \frac{\partial h^{(2)}}{\partial h^{(1)}}\cdot\frac{\partial h^{(1)}}{\partial W} \\ &=\frac{\partial L^{(T)}}{\partial h^{(T)}}\cdot \prod_{t=2}^T\frac{\partial h^{(t)}}{\partial h^{(t-1)}}\cdot\frac{\partial h^{(1)}}{\partial W}\\ &=\frac{\partial L^{(T)}}{\partial h^{(T)}}\cdot \left(\prod_{t=2}^T\tanh'(W_{hh}h^{(t-1)}+W_{xh}x^{(t)})\right)\cdot W_{hh}^{T-1} \cdot\frac{\partial h^{(1)}}{\partial W}\\ \end{aligned}
∂W∂L(T)=∂h(T)∂L(T)⋅∂h(T−1)∂h(T)⋯∂h(1)∂h(2)⋅∂W∂h(1)=∂h(T)∂L(T)⋅t=2∏T∂h(t−1)∂h(t)⋅∂W∂h(1)=∂h(T)∂L(T)⋅(t=2∏Ttanh′(Whhh(t−1)+Wxhx(t)))⋅WhhT−1⋅∂W∂h(1)
因为
tanh
′
(
⋅
)
\tanh'(\cdot)
tanh′(⋅) 几乎总是小于
1
1
1 的，当
T
T
T 足够大时将会出现梯度消失现象。
假如不采用非线性的激活函数，为简便起见，不妨设激活函数为恒等映射
f
(
x
)
=
x
f(x)=x
f(x)=x，于是有
∂
L
(
T
)
∂
W
=
∂
L
(
T
)
∂
h
(
T
)
⋅
W
h
h
T
−
1
⋅
∂
h
(
1
)
∂
W
\frac{\partial L^{(T)}}{\partial W}=\frac{\partial L^{(T)}}{\partial h^{(T)}}\cdot W_{hh}^{T-1} \cdot\frac{\partial h^{(1)}}{\partial W}
∂W∂L(T)=∂h(T)∂L(T)⋅WhhT−1⋅∂W∂h(1)
- 当 W h h W_{hh} Whh 的最大奇异值大于 1 1 1 时，会出现梯度爆炸。
- 当 W h h W_{hh} Whh 的最大奇异值小于 1 1 1 时，会出现梯度消失。
三、RNN的分类
按照输入和输出的结构可以对RNN进行如下分类：
- 1 vs N（vec2seq）：Image Captioning；
- N vs 1（seq2vec）：Sentiment Analysis；
- N vs M（seq2seq）：Machine Translation；
- N vs N（seq2seq）：Video Classification on frame level.
注意 1 vs 1 是传统的MLP。
若按照内部构造进行分类则会得到：
- RNN、Bi-RNN、…
- LSTM、Bi-LSTM、…
- GRU、Bi-GRU、…
四、Vanilla RNN的优缺点
优点：
- 可以处理不定长的序列；
- 计算时会考虑历史信息；
- 权重沿时间方向上是共享的；
- 模型大小不会随着输入大小增加而改变。
缺点：
- 计算效率低；
- 梯度会消失/爆炸（后续将知道，避免梯度爆炸可采用梯度裁剪，避免梯度消失可换用其他的RNN结构，如LSTM）；
- 无法处理长序列（即不具备长记忆性）；
- 无法利用未来的输入（Bi-RNN可解决）。
五、Bidirectional RNN
许多时候，我们要输出的
y
(
t
)
y^{(t)}
y(t) 可能依赖于整个序列，因此需要使用双向RNN（BRNN）。BRNN结合了时间上从序列起点开始移动的RNN和从序列末尾开始移动的RNN。两个RNN互相独立不共享权重：
相应的计算方式变为：
h
(
t
)
=
tanh
(
W
1
h
(
t
−
1
)
+
U
1
x
(
t
)
+
b
1
)
g
(
t
)
=
tanh
(
W
2
h
(
t
−
1
)
+
U
2
x
(
t
)
+
b
2
)
o
(
t
)
=
V
(
h
(
t
)
;
g
(
t
)
)
+
c
y
^
(
t
)
=
softmax
(
o
(
t
)
)
\begin{aligned} &h^{(t)}=\tanh(W_1h^{(t-1)}+U_1x^{(t)}+b_1) \\ &g^{(t)}=\tanh(W_2h^{(t-1)}+U_2x^{(t)}+b_2) \\ &o^{(t)}=V(h^{(t)};g^{(t)})+c \\ &\hat{y}^{(t)}=\text{softmax}(o^{(t)}) \\ \end{aligned}
h(t)=tanh(W1h(t−1)+U1x(t)+b1)g(t)=tanh(W2h(t−1)+U2x(t)+b2)o(t)=V(h(t);g(t))+cy^(t)=softmax(o(t))
其中
(
h
(
t
)
;
g
(
t
)
)
(h^{(t)};g^{(t)})
(h(t);g(t)) 代表将两个列向量
h
(
t
)
h^{(t)}
h(t) 和
g
(
t
)
g^{(t)}
g(t) 进行纵向连接。
事实上，若将
V
V
V 按列分块，则上述的第三个等式还可写成：
o
(
t
)
=
V
(
h
(
t
)
;
g
(
t
)
)
+
c
=
(
V
1
,
V
2
)
(
h
(
t
)
g
(
t
)
)
+
c
=
V
1
h
(
t
)
+
V
2
g
(
t
)
+
c
o^{(t)}=V(h^{(t)};g^{(t)})+c= (V_1,V_2) \begin{pmatrix} h^{(t)} \\ g^{(t)} \end{pmatrix}+c=V_1h^{(t)}+V_2g^{(t)}+c
o(t)=V(h(t);g(t))+c=(V1,V2)(h(t)g(t))+c=V1h(t)+V2g(t)+c
训练 BRNN 的过程实际就是在学习
U
1
,
U
2
,
V
,
W
1
,
W
2
,
b
1
,
b
2
,
c
U_1,U_2,V,W_1,W_2,b_1,b_2,c
U1,U2,V,W1,W2,b1,b2,c 这些参数。
六、Stacked RNN
堆叠RNN又称多层RNN或深度RNN，即由多个隐藏层组成。以双隐层单向RNN为例，其结构如下：
相应的计算过程如下：
h
(
t
)
=
tanh
(
W
h
h
h
(
t
−
1
)
+
W
x
h
x
(
t
)
+
b
h
)
z
(
t
)
=
tanh
(
W
z
z
z
(
t
−
1
)
+
W
h
z
h
(
t
)
+
b
z
)
o
(
t
)
=
W
z
o
z
(
t
)
+
b
o
y
^
(
t
)
=
softmax
(
o
(
t
)
)
\begin{aligned} &h^{(t)}=\tanh(W_{hh}h^{(t-1)}+W_{xh}x^{(t)}+b_h) \\ &z^{(t)}=\tanh(W_{zz}z^{(t-1)}+W_{hz}h^{(t)}+b_z) \\ &o^{(t)}=W_{zo}z^{(t)}+b_o \\ &\hat{y}^{(t)}=\text{softmax}(o^{(t)}) \\ \end{aligned}
h(t)=tanh(Whhh(t−1)+Wxhx(t)+bh)z(t)=tanh(Wzzz(t−1)+Whzh(t)+bz)o(t)=Wzoz(t)+boy^(t)=softmax(o(t))
本文转载自: https://blog.csdn.net/raelum/article/details/124940953
版权归原作者 raelum 所有， 如有侵权，请联系我们删除。
版权归原作者 raelum 所有， 如有侵权，请联系我们删除。