循环神经网络 RNN 详细图解!

Posted Wang_AI

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了循环神经网络 RNN 详细图解!相关的知识,希望对你有一定的参考价值。

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
1对1

传统神经网络
1对多

音乐生成
多对1

情感分类
多对多

命名实体识别
多对多

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



梯度消失/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
更新门 过去对现在有多重要?GRU, LSTM
关联门 丢弃过去信息?GRU, LSTM
遗忘门 是不是擦除一个单元?LSTM
输出门 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


觉得还不错就给我一个小小的鼓励吧!


以上是关于循环神经网络 RNN 详细图解!的主要内容,如果未能解决你的问题,请参考以下文章

循环神经网络(RNN)入门详细介绍

神经网络RNN图解!

超生动图解LSTM和GPU,一文读懂循环神经网络!

神经网络RNN图解!

自然语言处理入门实战——基于循环神经网络RNNLSTMGRU的文本分类(超级详细,学不会找我!!!)

长短期记忆网络 LSTM 深层循环神经网络 Deep RNN 双向循环神经网络 Bidirectional RNN 动手学深度学习v2