Press "Enter" to skip to content

神经网络RNN图解!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

方向:神经网络,来源:人工智能与算法学习

 

神经网络是深度学习的载体,而神经网络模型中,最经典非RNN模型所属,尽管它不完美,但它具有学习历史信息的能力。 后面不管是encode-decode 框架,还是注意力模型,以及自注意力模型,以及更加强大的Bert模型家族,都是站在RNN的肩上,不断演化、变强的。

 

这篇文章,阐述了RNN的方方面面,包括模型结构,优缺点,RNN模型的几种应用,RNN常使用的激活函数,RNN的缺陷,以及GRU,LSTM是如何试图解决这些问题,RNN变体等。

 

这篇文章最大特点是图解版本,其次语言简练,总结全面。

 

概述

 

传统RNN的体系结构。Recurrent neural networks,也称为RNNs,是一类允许先前的输出用作输入,同时具有隐藏状态的神经网络。它们通常如下所示:

 

 

对于每一时步, 激活函数  ,输出被表达为:

 

这里是时间维度网络的共享权重系数

 

是激活函数

下表总结了典型RNN架构的优缺点:

优点缺点
处理任意长度的输入计算速度慢
模型形状不随输入长度增加难以获取很久以前的信息
计算考虑了历史信息无法考虑当前状态的任何未来输入
权重随时间共享

 

RNNs应用

 

RNN模型主要应用于自然语言处理和语音识别领域。下表总结了不同的应用:

RNN 类型图解例子
传统神经网络
音乐生成
情感分类
命名实体识别
机器翻译

 

损失函数

 

对于RNN网络,所有时间步的损失函数是根据每个时间步的损失定义的,如下所示:

 

时间反向传播

 

在每个时间点进行反向传播。在时间步,损失相对于权重矩阵的偏导数表示如下:

 

处理长短依赖

 

常用激活函数

 

RNN模块中最常用的激活函数描述如下:

 

SigmoidTanhRELU

 

/爆炸

 

在RNN中经常遇到梯度消失和爆炸现象。之所以会发生这种情况,是因为很难捕捉到长期的依赖关系,因为乘法梯度可以随着层的数量呈指数递减/递增。

 

梯度修剪

 

梯度修剪是一种技术,用于执行反向传播时,有时遇到的梯度爆炸问题。通过限制梯度的最大值,这种现象在实践中得以控制。

 

 

门的类型

 

为了解决消失梯度问题,在某些类型的RNN中使用特定的门,并且通常有明确的目的。它们通常标注为,等于:

 

其中,是特定于门的系数,是sigmoid函数。主要内容总结如下表:

 

门的种类作用应用
过去对现在有多重要?GRU, LSTM
丢弃过去信息?GRU, LSTM
是不是擦除一个单元?LSTM
暴露一个门的多少?LSTM

 

GRU/LSTM

 

Gated Recurrent Unit(GRU)和长-短期记忆单元(LSTM)处理传统RNNs遇到的消失梯度问题,LSTM是GRU的推广。下表总结了每种结构的特征方程:

 

 

注:符号 表示两个向量之间按元素相乘。

 

RNN的变体

 

下表总结了其他常用的RNN模型:

 

Bidirectional (BRNN)Deep (DRNN)

 

参考文献:

 

https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-recurrent-neural-networks

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注