RNN 与 LSTM 的原理详解

Posted 2020-11-23

原文地址：https://blog.csdn.net/happyrocking/article/details/83657993

RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。
什么是序列呢？序列是一串有顺序的数据，比如某一条数据为 [x1,x2,x3,x4][x1,x2,x3,x4]      [x_1, x_2, x_3, x_4][x1?,x2?,x3?,x4?]，其中每个元素可以是一个字符、一个单词、一个向量，甚至是一个声音。比如：

自然语言处理问题。x1x1      x_1x1?可以看做是第一个单词，x2x2      x_2x2?可以看做是第二个单词，依次类推。
语音处理。此时，每个元素是每帧的声音信号。
时间序列问题。例如每天的股票价格等。

RNN 处理这种序列数据，在结构上具有天然的优势（相对于普通的神经网络而言，如全连接、CNN等）。
RNN 的结构
我们从基础的神经网络中知道，神经网络包含输入层、隐层、输出层，通过激活函数控制输出，层与层之间通过权值连接。激活函数是事先确定好的，那么神经网络模型通过训练“学“到的东西就蕴含在“权值“中。单层的神经网络如图：

其中，x为输入，W为权重矩阵，b为偏置，f为激活函数，如 sigmoid 等，y 为输出。这样，就建立了输入与输出之间的关联。
基础的神经网络只在层与层之间建立了权连接，RNN最大的不同之处就是在层之间的神经元之间也建立的权连接。如图。

这是一个标准的RNN结构图，图中每个箭头代表做一次变换，也就是说箭头连接带有权值。左侧是折叠起来的样子，右侧是展开的样子，左侧中h旁边的箭头代表此结构中的“循环“体现在隐层。
在展开结构中我们可以观察到，在标准的RNN结构中，隐层的神经元之间也是带有权值的。也就是说，随着序列的不断推进，前面的隐层将会影响后面的隐层。图中O代表输出，y代表样本给出的确定值，L代表损失函数，我们可以看到，“损失“也是随着序列的推荐而不断积累的。
除上述特点之外，标准RNN的还有以下特点：

权值共享，图中的W全是相同的，U和V也一样。
每一个输入值都只与它本身的那条路线建立权连接，不会和别的神经元连接。

以上是RNN的标准结构，属于多输入多输出，并且输入与输出的个数是相同的，即每次输入都会对应一个输出。
然而在实际中这一种结构并不能解决所有问题，常见的变种有：
1、多输入单输出
有的时候，我们要处理的问题输入是一个序列，输出是一个单独的值而不是序列，应该怎样建模呢？实际上，我们只在最后一个h上进行输出变换就可以了：

这种结构通常用来处理序列分类问题。如输入一段文字判别它所属的类别，输入一个句子判断其情感倾向，输入一段视频并判断它的类别等等。
2、单输入多输出
输入不是序列而输出为序列的情况怎么处理？我们可以只在序列开始进行输入计算，其余只需要隐层状态进行传递。

还有一种结构是把输入信息X作为每个阶段的输入：

这种单输入多输出的结构可以处理的问题有：

从图像生成文字（image caption），此时输入的X就是图像的特征，而输出的y序列就是一段句子
从类别生成语音或音乐等

3、多输入多输出（输入和输出个数不同）
实际中，还有另外一种多输入多输出的结构，其输入与输出并不是一一对应的，如图：

这种结构又叫Encoder-Decoder模型，也可以称之为Seq2Seq模型。
Encoder-Decoder结构先将输入数据编码成一个上下文向量c。得到c有多种方式，最简单的方法就是把Encoder的最后一个隐状态赋值给c，还可以对最后的隐状态做一个变换得到c，也可以对所有的隐状态做变换。
拿到c之后，就用另一个RNN网络对其进行解码，这部分RNN网络被称为Decoder。具体做法就是将c当做之前的初始状态h0输入到Decoder中。
还有另外一种 Decoder，是将c当做每一步的输入：

由于这种Encoder-Decoder结构不限制输入和输出的序列长度，因此应用的范围非常广泛，比如：

机器翻译。Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译领域最先提出的
文本摘要。输入是一段文本序列，输出是这段文本序列的摘要序列。
阅读理解。将输入的文章和问题分别编码，再对其进行解码得到问题的答案。
语音识别。输入是语音信号序列，输出是文字序列。

RNN的前向输出流程
下面对多输入多输出（一一对应）的经典结构作分析：

其中，x是输入，h是隐层单元，o为输出，L为损失函数，y为训练集的标签。这些元素右上角带的t代表t时刻的状态，其中需要注意的是，隐层单元h在t时刻的表现不仅由此刻的输入决定，还受t时刻之前时刻的影响。V、W、U是权值，同一类型的权连接权值相同。
前向传播算法其实非常简单，对于t时刻，隐层单元为：
h(t)=f(Ux(t)+Wh(t−1)+b)h(t)=f(Ux(t)+Wh(t−1)+b)      h^{(t)}=f(Ux^{(t)}+Wh^{(t-1)}+b)h(t)=f(Ux(t)+Wh(t−1)+b)
其中，f 为激活函数，如 sigmoid、tanh 等，b 为偏置。
t时刻的输出为：
o(t)=Vh(t)+co(t)=Vh(t)+c      o^{(t)}=Vh^{(t)}+co(t)=Vh(t)+c
RNN的训练方法
BPTT（back-propagation through time）算法是常用的训练RNN的方法，其实本质还是BP算法，只不过RNN处理时间序列数据，所以要基于时间反向传播，故叫随时间反向传播。BPTT的中心思想和BP算法相同，沿着需要优化的参数的负梯度方向不断寻找更优的点直至收敛。综上所述，BPTT算法本质还是BP算法，BP算法本质还是梯度下降法，那么求各个参数的梯度便成了此算法的核心。

再次拿出这个结构图观察，需要寻优的参数有三个，分别是U、V、W。与BP算法不同的是，其中W和U两个参数的寻优过程需要追溯之前的历史数据，参数V相对简单只需关注目前，那么我们就来先求解参数V的偏导数。
∂L(t)∂V=∂L(t)∂o(t)∂o(t)∂V∂L(t)∂V=∂L(t)∂o(t)∂o(t)∂V      frac{partial L^{(t)}}{partial V}=frac{partial L^{(t)}}{partial o^{(t)}} frac{partial o^{(t)}}{partial V}∂V∂L(t)?=∂o(t)∂L(t)?∂V∂o(t)?
RNN的损失也是会随着时间累加的，所以需要求出所有时刻的偏导然后求和：
L=∑nt=1L(t)L=∑t=1nL(t)      L=sum_{t=1}^n L^{(t)}L=t=1∑n?L(t)
∂L∂V=∑nt=1∂L(t)∂o(t)∂o(t)∂V∂L∂V=∑t=1n∂L(t)∂o(t)∂o(t)∂V      frac{partial L}{partial V}=sum_{t=1}^nfrac{partial L^{(t)}}{partial o^{(t)}} frac{partial o^{(t)}}{partial V}∂V∂L?=t=1∑n?∂o(t)∂L(t)?∂V∂o(t)?
W和U的偏导的求解由于需要涉及到历史数据，其偏导求起来相对复杂，我们先假设只有三个时刻，那么在第三个时刻 L对W的偏导数为：
∂L(3)∂W=∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂W+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂W+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂h(1)∂h(1)∂W∂L(3)∂W=∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂W+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂W+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂h(1)∂h(1)∂W      frac{partial L^{(3)}}{partial W}=frac{partial L^{(3)}}{partial o^{(3)}}frac{partial o^{(3)}}{partial h^{(3)}}frac{partial h^{(3)}}{partial W}+frac{partial L^{(3)}}{partial o^{(3)}}frac{partial o^{(3)}}{partial h^{(3)}}frac{partial h^{(3)}}{partial h^{(2)}}frac{partial h^{(2)}}{partial W}+frac{partial L^{(3)}}{partial o^{(3)}}frac{partial o^{(3)}}{partial h^{(3)}}frac{partial h^{(3)}}{partial h^{(2)}}frac{partial h^{(2)}}{partial h^{(1)}}frac{partial h^{(1)}}{partial W}∂W∂L(3)?=∂o(3)∂L(3)?∂h(3)∂o(3)?∂W∂h(3)?+∂o(3)∂L(3)?∂h(3)∂o(3)?∂h(2)∂h(3)?∂W∂h(2)?+∂o(3)∂L(3)?∂h(3)∂o(3)?∂h(2)∂h(3)?∂h(1)∂h(2)?∂W∂h(1)?
同理，对U的偏导为：
∂L(3)∂W=∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂U+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂U+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂h(1)∂h(1)∂U∂L(3)∂W=∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂U+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂U+∂L(3)∂o(3)∂o(3)∂h(3)∂h(3)∂h(2)∂h(2)∂h(1)∂h(1)∂U      frac{partial L^{(3)}}{partial W}=frac{partial L^{(3)}}{partial o^{(3)}}frac{partial o^{(3)}}{partial h^{(3)}}frac{partial h^{(3)}}{partial U}+frac{partial L^{(3)}}{partial o^{(3)}}frac{partial o^{(3)}}{partial h^{(3)}}frac{partial h^{(3)}}{partial h^{(2)}}frac{partial h^{(2)}}{partial U}+frac{partial L^{(3)}}{partial o^{(3)}}frac{partial o^{(3)}}{partial h^{(3)}}frac{partial h^{(3)}}{partial h^{(2)}}frac{partial h^{(2)}}{partial h^{(1)}}frac{partial h^{(1)}}{partial U}∂W∂L(3)?=∂o(3)∂L(3)?∂h(3)∂o(3)?∂U∂h(3)?+∂o(3)∂L(3)?∂h(3)∂o(3)?∂h(2)∂h(3)?∂U∂h(2)?+∂o(3)∂L(3)?∂h(3)∂o(3)?∂h(2)∂h(3)?∂h(1)∂h(2)?∂U∂h(1)?
可以看到，在某个时刻的对W或是U的偏导数，需要追溯这个时刻之前所有时刻的信息，这还仅仅是一个时刻的偏导数，上面说过损失也是会累加的，那么整个损失函数对W和U的偏导数将会非常繁琐。虽然如此但好在规律还是有迹可循，我们根据上面两个式子可以写出L在t时刻对W和U偏导数的通式：
∂L(t)∂W=∂L(t)∂o(t)∂o(t)∂h(t)∑tk=1(∏ti=k+1∂h(i)∂h(i−1))∂h(k)∂W∂L(t)∂W=∂L(t)∂o(t)∂o(t)∂h(t)∑k=1t(∏i=k+1t∂h(i)∂h(i−1))∂h(k)∂W      frac{partial L^{(t)}}{partial W}= frac{partial L^{(t)}}{partial o^{(t)}} frac{partial o^{(t)}}{partial h^{(t)}}sum_{k=1}^t(prod_{i=k+1}^{t}frac{partial h^{(i)}}{partial h^{(i-1)}})frac{partial h^{(k)}}{partial W}∂W∂L(t)?=∂o(t)∂L(t)?∂h(t)∂o(t)?k=1∑t?(i=k+1∏t?∂h(i−1)∂h(i)?)∂W∂h(k)?
∂L(t)∂U=∂L(t)∂o(t)∂o(t)∂h(t)∑tk=1(∏ti=k+1∂h(i)∂h(i−1))∂h(k)∂U∂L(t)∂U=∂L(t)∂o(t)∂o(t)∂h(t)∑k=1t(∏i=k+1t∂h(i)∂h(i−1))∂h(k)∂U      frac{partial L^{(t)}}{partial U}= frac{partial L^{(t)}}{partial o^{(t)}} frac{partial o^{(t)}}{partial h^{(t)}}sum_{k=1}^t(prod_{i=k+1}^{t}frac{partial h^{(i)}}{partial h^{(i-1)}})frac{partial h^{(k)}}{partial U}∂U∂L(t)?=∂o(t)∂L(t)?∂h(t)∂o(t)?k=1∑t?(i=k+1∏t?∂h(i−1)∂h(i)?)∂U∂h(k)?
与V相同，对W或U的整体偏导，也是将所有t时刻的偏导相加。
前面说过激活函数是嵌套在里面的，如果我们把激活函数放进去，拿出中间累乘的那部分：
∏ti=k+1∂h(i)∂h(i−1)=∏ti=k+1tanh′⋅W∏i=k+1t∂h(i)∂h(i−1)=∏i=k+1ttanh′⋅W      prod_{i=k+1}^{t}frac{partial h^{(i)}}{partial h^{(i-1)}}=prod_{i=k+1}^{t}tanh'·Wi=k+1∏t?∂h(i−1)∂h(i)?=i=k+1∏t?tanh′⋅W
或
∏ti=k+1∂h(i)∂h(i−1)=∏ti=k+1sigmoid′⋅W∏i=k+1t∂h(i)∂h(i−1)=∏i=k+1tsigmoid′⋅W      prod_{i=k+1}^{t}frac{partial h^{(i)}}{partial h^{(i-1)}}=prod_{i=k+1}^{t}sigmoid'·Wi=k+1∏t?∂h(i−1)∂h(i)?=i=k+1∏t?sigmoid′⋅W
我们会发现累乘会导致激活函数导数和权重矩阵的累乘，进而会导致“梯度消失“和“梯度爆炸“现象的发生。
为什么会出现“梯度消失“？我们先来看看这两个激活函数的图像：

可见，sigmoid函数的导数范围是(0,0.25]，tach函数的导数范围是(0,1]，他们的导数最大都不大于1。累乘的过程中，如果取sigmoid函数作为激活函数的话，那么必然是一堆小数在做乘法，结果就是越乘越小。随着时间序列的不断深入，小数的累乘就会导致梯度越来越小直到接近于0，这就是“梯度消失“现象。其实RNN的时间序列与深层神经网络很像，在较为深层的神经网络中使用sigmoid函数做激活函数也会导致反向传播时梯度消失，梯度消失就意味消失那一层的参数再也不更新，那么那一层隐层就变成了单纯的映射层，毫无意义了，所以在深层神经网络中，有时候多加神经元数量可能会比多家深度好。
同理，由于权重矩阵的累乘，可能会导致“梯度爆炸”的发生。
RNN的特点本来就是能“追根溯源“利用历史数据，现在告诉我可利用的历史数据竟然是有限的，这就令人非常难受，解决“梯度消失“是非常必要的。解决“梯度消失“的方法主要有：

选取更好的激活函数
改变传播结构

关于第一点，一般选用ReLU函数作为激活函数，ReLU函数的图像为：

ReLU函数的左侧导数为0，右侧导数恒为1，这就避免了“梯度消失“的发生。但恒为1的导数容易导致“梯度爆炸“，即W的累乘可能会使得导数值越来越大。还有一点就是如果左侧横为0的导数有可能导致把神经元学死，不过设置合适的步长（学习旅）可以有效避免这个问题的发生。
关于第二点，LSTM结构可以解决这个问题。
总结一下，sigmoid函数的缺点：

导数值范围为(0,0.25]，反向传播时会导致“梯度消失“。tanh函数导数值范围更大，相对好一点。
sigmoid函数不是0中心对称，tanh函数是，可以使网络收敛的更好。

LSTM
下面来了解一下LSTM（long short-term memory）。长短期记忆网络是RNN的一种变体，RNN由于梯度消失的原因只能有短期记忆，LSTM网络通过精妙的门控制将短期记忆与长期记忆结合起来，并且一定程度上解决了梯度消失的问题。
长期依赖（Long-Term Dependencies）问题
RNN 的关键点之一就是他们可以用来连接先前的信息到当前的任务上，例如使用过去的视频段来推测对当前段的理解。如果 RNN 可以做到这个，他们就变得非常有用。但是真的可以么？答案是，还有很多依赖因素。
有时候，我们仅仅需要知道先前的信息来执行当前的任务。例如，我们有一个语言模型用来基于先前的词来预测下一个词。如果我们试着预测 “the clouds are in the sky” 最后的词，我们并不需要任何其他的上下文 —— 因此下一个词很显然就应该是 sky。在这样的场景中，相关的信息和预测的词位置之间的间隔是非常小的，RNN 可以学会使用先前的信息。

但是同样会有一些更加复杂的场景。假设我们试着去预测“I grew up in France… I speak fluent French”最后的词。当前的信息建议下一个词可能是一种语言的名字，但是如果我们需要弄清楚是什么语言，我们是需要先前提到的离当前位置很远的 France 的上下文的。这说明相关信息和当前预测位置之间的间隔就肯定变得相当的大。
不幸的是，在这个间隔不断增大时，RNN 会丧失学习到连接如此远的信息的能力。

在理论上，RNN 绝对可以处理这样的 长期依赖 问题。人们可以仔细挑选参数来解决这类问题中的最初级形式，但在实践中，RNN 肯定不能够成功学习到这些知识。Bengio, et al. (1994) 等人对该问题进行了深入的研究，他们发现一些使训练 RNN 变得非常困难的相当根本的原因。
LSTM网络
Long Short Term 网络—— 一般就叫做 LSTM ——是一种 RNN 特殊的类型，可以学习长期依赖信息。LSTM 由Hochreiter & Schmidhuber (1997)提出，并在近期被Alex Graves进行了改良和推广。在很多问题，LSTM 都取得相当巨大的成功，并得到了广泛的使用。
LSTM 通过刻意的设计来避免长期依赖问题。记住长期的信息在实践中是 LSTM 的默认行为，而非需要付出很大代价才能获得的能力！
所有 RNN 都具有一种重复神经网络模块的链式的形式。在标准的 RNN 中，这个重复的模块只有一个非常简单的结构，例如一个 tanh 层。

LSTM 同样是这样的结构，但是重复的模块拥有一个不同的结构。不同于单一神经网络层，这里是有四个，以一种非常特殊的方式进行交互。整体上除了h在随时间流动，细胞状态c也在随时间流动，细胞状态c就代表着长期记忆。

不必担心这里的细节。我们会一步一步地剖析 LSTM 解析图。现在，我们先来熟悉一下图中使用的各种元素的图标。

黄色的矩形是学习得到的神经网络层
粉色的圆形表示一些运算操作，诸如加法乘法
黑色的单箭头表示向量的传输
两个箭头合成一个表示向量的连接
一个箭头分开表示向量的复制

LSTM 的关键就是细胞状态，水平线在图上方贯穿运行。
细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。

LSTM 有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力。门是一种让信息选择式通过的方法。他们包含一个 sigmoid 神经网络层和一个 pointwise 乘法操作。

Sigmoid 层输出 0 到 1 之间的数值，描述每个部分有多少量可以通过。0 代表“不许任何量通过”，1 就指“允许任意量通过”！
LSTM 拥有三个门，来保护和控制细胞状态。
理解LSTM的三个门
遗忘门
在我们 LSTM 中的第一步是决定我们会从细胞状态中丢弃什么信息。这个决定通过一个称为遗忘门完成。该门会读取ht−1ht−1      h_{t-1}ht−1?和xtxt      x_txt?，输出一个在 0 到 1 之间的数值给每个在细胞状态Ct−1Ct−1      C_{t-1}Ct−1?中的数字。1 表示“完全保留”，0 表示“完全舍弃”。
让我们回到语言模型的例子中来基于已经看到的预测下一个词。在这个问题中，细胞状态可能包含当前主语的性别，因此正确的代词可以被选择出来。当我们看到新的主语，我们希望忘记旧的主语。

这里可以抛出两个问题：这个门怎么做到“遗忘“的呢？怎么理解？既然是遗忘旧的内容，为什么这个门还要接收新的xtxt      x_txt??
对于第一个问题，“遗忘“可以理解为“之前的内容记住多少“，其精髓在于只能输出（0，1）小数的sigmoid函数和粉色圆圈的乘法，LSTM网络经过学习决定让网络记住以前百分之多少的内容。对于第二个问题就更好理解，决定记住什么遗忘什么，其中新的输入肯定要产生影响。
输入门
下一步是确定什么样的新信息被存放在细胞状态中。这里包含两个部分。第一，sigmoid 层称 “输入门层” 决定什么值我们将要更新。然后，一个 tanh 层创建一个新的候选值向量，Ct˜Ct~      ilde{C_{t}}Ct?~?，会被加入到状态中。下一步，我们会讲这两个信息来产生对状态的更新。
在我们语言模型的例子中，我们希望增加新的主语的性别到细胞状态中，来替代旧的需要忘记的主语。

现在是更新旧细胞状态的时间了，Ct−1Ct−1      C_{t-1}Ct−1? 更新为 CtCt      C_tCt?。前面的步骤已经决定了将会做什么，我们现在就是实际去完成。
我们把旧状态与ftft      f_tft?相乘，丢弃掉我们确定需要丢弃的信息。接着加上it⋅Ct˜it⋅Ct~      i_t· ilde{C_t}it?⋅Ct?~?。这就是新的候选值，根据我们决定更新每个状态的程度进行变化。
有了上面的理解基础输入门，输入门理解起来就简单多了。tanh函数创建新的输入值，sigmoid函数决定可以输入进去的比例。

输出门
最终，我们需要确定输出什么值。这个输出将会基于我们的细胞状态，但是也是一个过滤后的版本。首先，我们运行一个 sigmoid 层来确定细胞状态的哪个部分将输出出去。接着，我们把细胞状态通过 tanh 进行处理（得到一个在 -1 到 1 之间的值）并将它和 sigmoid 门的输出相乘，最终我们仅仅会输出我们确定输出的那部分。

这三个门虽然功能上不同，但在执行任务的操作上是相同的。他们都是使用sigmoid函数作为选择工具，tanh函数作为变换工具，这两个函数结合起来实现三个门的功能。
LSTM的变体
我们到目前为止都还在介绍正常的 LSTM。但是不是所有的 LSTM 都长成一个样子的。实际上，几乎所有包含 LSTM 的论文都采用了微小的变体。差异非常小，但是也值得拿出来讲一下。
窥视孔连接
一个流行的LSTM变种，由Gers & Schmidhuber (2002提出，加入了“窥视孔连接(peephole connection)”。也就是说我们让各种门可以接受到细胞状态的输入。

上面的图例中，我们增加了 peephole 到每个门上，但是许多论文会加入部分的 peephole 而非所有都加。
对偶忘记门和输入门
另一个变体是通过使用对偶（coupled）忘记门和输入门。不同于之前是分开确定什么忘记和需要添加什么新的信息，这里是一同做出决定。我们仅仅会当我们将要输入在当前位置时忘记。我们仅仅输入新的值到那些我们已经忘记旧的信息的那些状态 。

GRU
另一个改动较大的变体是 Gated Recurrent Unit (GRU)，这是由 Cho, et al. (2014) 提出。它将忘记门和输入门合成了一个单一的 更新门。同样还混合了细胞状态和隐藏状态，和其他一些改动。最终的模型比标准的 LSTM 模型要简单，也是非常流行的变体。

这里只是部分流行的 LSTM 变体。当然还有很多其他的，如Yao, et al. (2015) 提出的 Depth Gated RNN。还有用一些完全不同的观点来解决长期依赖的问题，如Koutnik, et al. (2014) 提出的 Clockwork RNN。
要问哪个变体是最好的？其中的差异性真的重要吗？Greff, et al. (2015) 给出了流行变体的比较，结论是他们基本上是一样的。Jozefowicz, et al. (2015) 则在超过 1 万种 RNN 架构上进行了测试，发现一些架构在某些任务上也取得了比 LSTM 更好的结果。
————————————————
版权声明：本文为CSDN博主「HappyRocking」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/happyrocking/article/details/83657993