《序列模型》之循环神经网络基础

RNN model

模型架构

BPTT

不同类型的RNN

梯度爆炸和梯度消失

出现原因

解决梯度爆炸

检测

梯度裁剪

截断BPTT

解决梯度消失

很难检测

如何解决

• LSTM,GRU
• ReLU**函数
• 循环权重矩阵初始化方法
• Skip connections
  
  
  将权重矩阵分解Q−1ΛQ$Q^{-1}\mathrm{\Lambda }Q$的话，其中Λ$\mathrm{\Lambda }$是对角线上是特征值的对角矩阵，Q是特征值对应的特征向量组成的矩阵。
  那么若干时间步的权重乘积可以表示为Q−1ΛnQ$Q^{-1}{\mathrm{\Lambda }}^{n}Q$，
  由正交矩阵的特征值绝对值等于1的特性，可以得出进行若干次矩阵乘法的结果既不会爆炸也不会消失。
  

LSTM and GRU

LSTM v0

LSTM with forget gate

Long Short-term Memory

GRU

On the Properties of Neural Machine Translation: Encoder-Decoder Approaches
Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling

LSTM or GRU

• LSTM 更加灵活
• GRU 更少的参数
  一般先训练LSTM，然后训练GRU，最后对比并选择

BiRNN and Deep RNN

参考资料

《深度学习》deeplearning.ai
Introduction to Deeplearning HEC