RNN

首先思考这样一个问题:在处理序列学习问题时,为什么不使用标准的神经网络(建立多个隐藏层得到最终的输出)解决,而是提出了RNN这一新概念?
标准神经网络如下图所示:
吴恩达深度学习笔记(deeplearning.ai)之循环神经网络(RNN)(一)

标准神经网络在解决序列问题时,存在两个问题:

  • 难以解决每个训练样例子输入输出长度不同的情况,因为序列的长度代表着输入层、输出层的维度,不可能每训练一个样例就改变一次网络结构。
  • 标准的神经网络不能共享从文本不同位置上学到的特征。举例说明:如果Harry作为人名位于一个训练例子中的第一个位置,而当Harry出现在其他例子的不同位置时,我们希望模型依然能识别其为人名,而不是只能识别位于第一个位置的Harry。

前向传播

吴恩达深度学习笔记(deeplearning.ai)之循环神经网络(RNN)(一)

以NLP中“命名实体识别“任务为例,序列中每一个输入字符对应一个输出,即(T_y=T_x)

  • (a^{<0>})是初始的隐状态,一般置为零向量。
  • (a^{<i>})代表输入序列中第(i)个输入所隐含的信息,即时间步(i)的**值。
  • (x^{<i>})代表输入序列中第i个字符,输入序列的长度为(T_x)
  • (hat{y}^{<i>})代表与(x^{<i>})相对应的输出值。

RNN在进行前向传播时,不光考虑当前时刻的输入(x^{<i>}​),也会考虑包含上一时刻的信息(**值(a^{<i-1>}​))。计算公式如下:

[a^{<t>}=g(W_{aa}a^{<t-1>}+W_{ax}x^{<t>}+b_a)]
[hat{y}^{<t>}=g(W_{ya}a^{<t>}+b_y)]

为了方便记忆,可以将公式进行简化,其中(W_{aa})(W_{ax})合并为(W_a)(a^{<t-1>})(x^{<t>})合并为新的矩阵([a^{<t-1>},x^{<t>}])。举例说明:假定**值(a^{<t-1>})(也可以成为隐状态)为(100)维,输入值(x^{<t>})(10000)维。那么权重矩阵(W_{aa})(100times 100)维,(W_{ax})(100times 10000)维。合并后的新权重矩阵为(W_a)(100times (100+10000))维,合并后的新输入([a^{<t-1>},x^{<t>}])((100+10000))维向量,即将(a^{<t-1>})堆叠(stack)在(x^{<t>})上方。

  • 简化的原理为:
    [begin{bmatrix}W_{aa}&W_{ax}end{bmatrix}begin{bmatrix}a^{<t-1>}\ x^{<t>}end{bmatrix}=W_{aa}a^{<t-1>}+W_{ax}x^{<t>}]

  • 简化后的计算公式为:
    [a^{<t>}=g(W_{a}[a^{<t-1>},x^{<t>}]+b_a)]
    [hat{y}^{<t>}=g(W_{y}a^{<t>}+b_y)]

RNN类型总结

吴恩达深度学习笔记(deeplearning.ai)之循环神经网络(RNN)(一)

  1. One to one
  2. One to many
  3. Many to one
  4. Many to many((T_x == T_y)
  5. Many to many((T_x != T_y)