这周在看循环神经网络 ,发现一个博客,里面的推导过程极其详细,借此记录重点
详细推导
强烈介意手推一遍,虽然可能会花一点时间,但便于理清思路。
语言模型
RNN是在自然语言处理领域中最先被用起来的,比如,RNN可以作为语言模型 来建模。
什么是语言模型?
语言模型 :给定一个一句话前面的部分,预测接下来最有可能的一个词是什么。
语言模型 可以用在语音转文本(STT)上,也可以用在图像到文本的识别中(OCR)。
使用RNN之前,语言模型主要采用N-Gram ,即先对句子切词,再在语料库中搜索前n个词进行预测,这样想法没有实用性,因为根本没有用到有用的信息,并且该模型还会占用海量的存储空间。
所以,RNN出现,理论上RNN可以往前看(往后看)任意多个词。
循环神经网络
基本神经网络
如上图左,一个简单的循环神经网络由一个输入层、一个隐藏层和一个输出层组成。
其中,x x 是一个向量,代表输入层 的值;s s 是一个向量,代表隐藏层 的值;o o 是一个向量,代表输出层 的值。
U U 是输入层到隐藏层的权重矩阵 ,V V 是隐藏层到输出层的权重矩阵 ,权重矩阵 W W 是隐藏层上一次的值作为这一次的输入的权重。循环神经网络 与普通的全连接神经网络 不同的地方也就在于W W 。
如上图右,可表示循环神经网络 的计算方式:
o t s t = g ( V s t ) ( 式 1 ) = f ( U x t + W s t − 1 ) ( 式 2 ) (1) (2) (1) o t = g ( V s t ) ( 式 1 ) (2) s t = f ( U x t + W s t − 1 ) ( 式 2 )
其中,式1 是输出层的计算公式,输出层是一个全连接层,即每一个节点都与隐藏层的每个节点相连,g代表**函数,V V 是输出层的权重矩阵。
式2 是隐藏层的计算公式,它是一个循环层,f是**函数,U U 是输入x x 的权重矩阵,W W 是上次值s t − 1 s t − 1 作为这次输入的权重矩阵。
双向循环神经网络
对于语言模型 来说,很多时候光看前面的词是不够的,还需要看后面的词。普通的基本循环神经网络 对此无法建模,因此,我们需要双向循环神经网络 。
从上图可知,双向循环神经网络的隐藏层要保存两个值,一个A A 参与正向计算,另一个值A ′ A ′ 参与反向计算。最后的输出值y 2 y 2 取决于A 2 A 2 和A ′ 2 A 2 ′ 。仿照式1和试2,双向循环神经网络 的计算方法如下:
o t s t s ′ t = g ( V s t + V ′ s ′ t ) = f ( U x t + W s t − 1 ) = f ( U ′ x t + W ′ s ′ t + 1 ) (3) (4) (5) (3) o t = g ( V s t + V ′ s t ′ ) (4) s t = f ( U x t + W s t − 1 ) (5) s t ′ = f ( U ′ x t + W ′ s t + 1 ′ )
可以看出:正向计算时,隐藏层的值s t s t 与s t − 1 s t − 1 有关;反向计算时,隐藏层的值s ′ t s t ′ 和s ′ t − 1 s t − 1 ′ 有关。正向计算和反向计算不共享权重 ,也就是说U U 和U ′ U ′ 、W W 和W ′ W ′ 、V V 和V ′ V ′ 都是不同的权重矩阵。
深度循环神经网络
之前介绍的RNN都是只有一个隐藏层,当堆叠两个以上隐藏层时,就得到了深度循环神经网络
把第i个隐藏层的值表示为s ( i ) t s t ( i ) 、s ′ ( i ) t s t ′ ( i ) ,则深度循环神经网络 的计算方式可以表示为:
o t s ( i ) t s ′ ( i ) t . . . s ( 1 ) t s ′ ( 1 ) t = g ( V ( i ) s ( i ) t + V ′ ( i ) s ′ ( i ) t ) = f ( U ( i ) s ( i − 1 ) t + W ( i ) s t − 1 ) = f ( U ′ ( i ) s ′ ( i − 1 ) t + W ′ ( i ) s ′ t + 1 ) = f ( U ( 1 ) x t + W ( 1 ) s t − 1 ) = f ( U ′ ( 1 ) x t + W ′ ( 1 ) s ′ t + 1 ) (6) (7) (8) (9) (10) (11) (6) o t = g ( V ( i ) s t ( i ) + V ′ ( i ) s t ′ ( i ) ) (7) s t ( i ) = f ( U ( i ) s t ( i − 1 ) + W ( i ) s t − 1 ) (8) s t ′ ( i ) = f ( U ′ ( i ) s t ′ ( i − 1 ) + W ′ ( i ) s t + 1 ′ ) (9) . . . (10) s t ( 1 ) = f ( U ( 1 ) x t + W ( 1 ) s t − 1 ) (11) s t ′ ( 1 ) = f ( U ′ ( 1 ) x t + W ′ ( 1 ) s t + 1 ′ )
循环神经网络的训练
循环神经网络的训练算法:BPTT
BPTT算法是针对循环层 的训练算法,基本原理和BP算法一样,包含三个步骤:
前向计算每个神经元的输出值;
反向计算每个神经元的误差项 δ j δ j 值,它是误差函数E对神经元j的加权输入 n e t j n e t j 的偏导数;
计算每个权重的梯度。
最后再用随机梯度下降 算法更新权重。
循环层如下图所示:
1. 前向计算
使用式2 对循环层进行前向计算:
s t = f ( U x t + W s t − 1 ) s t = f ( U x t + W s t − 1 )
上式中,s t s t 、x t x t 、s t − 1 s t − 1 都是向量,U、V是矩阵,向量的下标表示时刻。
2. 误差项的计算
BTPP算法将第l l 层的t时刻的误差项 δ l t δ t l 值沿两个方向传播,一个方向是传递到上一层网络,得到δ l − 1 t δ t l − 1 值,这部分只与U有关;另一方向是沿时间线传递到初始t 1 t 1 时刻,得到δ l 1 δ 1 l 值,这部分只与W有关。
我们用向量n e t t n e t t 表示神经元在t时刻的加权输入,因为:
n e t t s t − 1 = U x t + W s t − 1 = f ( n e t t − 1 ) (12) (13) (12) n e t t = U x t + W s t − 1 (13) s t − 1 = f ( n e t t − 1 )
因此(详细推导此处略过,详情见链接):
∂ n e t t ∂ n e t t − 1 = ∂ n e t t ∂ s t − 1 ∂ s t − 1 ∂ n e t t − 1 = W d i a g [ f ′ ( n e t t − 1 ) ] = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ w 11 f ′ ( n e t t − 1 1 ) w 21 f ′ ( n e t t − 1 1 ) w n 1 f ′ ( n e t t − 1 1 ) w 12 f ′ ( n e t t − 1 2 ) w 22 f ′ ( n e t t − 1 2 ) . . w n 2 f ′ ( n e t t − 1 2 ) . . . . . . . . . w 1 n f ( n e t t − 1 n ) w 2 n f ( n e t t − 1 n ) w n n f ′ ( n e t t − 1 n ) ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (14) (15) (16) (14) ∂ n e t t ∂ n e t t − 1 = ∂ n e t t ∂ s t − 1 ∂ s t − 1 ∂ n e t t − 1 (15) = W d i a g [ f ′ ( n e t t − 1 ) ] (16) = [ w 11 f ′ ( n e t 1 t − 1 ) w 12 f ′ ( n e t 2 t − 1 ) . . . w 1 n f ( n e t n t − 1 ) w 21 f ′ ( n e t 1 t − 1 ) w 22 f ′ ( n e t 2 t − 1 ) . . . w 2 n f ( n e t n t − 1 ) . . w n 1 f ′ ( n e t 1 t − 1 ) w n 2 f ′ ( n e t 2 t − 1 ) . . . w n n f ′ ( n e t n t − 1 ) ]
上式描述了将δ沿时间往前传递一个时刻的规律,根据这个规律,可以求得任意时刻k的误差项δ k δ k :
δ T k = = = = = ∂ E ∂ n e t k ∂ E ∂ n e t t ∂ n e t t ∂ n e t k ∂ E ∂ n e t t ∂ n e t t ∂ n e t t − 1 ∂ n e t t − 1 ∂ n e t t − 2 . . . ∂ n e t k + 1 ∂ n e t k W d i a g [ f ′ ( n e t t − 1 ) ] W d i a g [ f ′ ( n e t t − 2 ) ] . . . W d i a g [ f ′ ( n e t k ) ] δ l t δ T t ∏ i = k t − 1 W d i a g [ f ′ ( n e t i ) ] ( 式 3 ) (17) (18) (19) (20) (21) (17) δ k T = ∂ E ∂ n e t k (18) = ∂ E ∂ n e t t ∂ n e t t ∂ n e t k (19) = ∂ E ∂ n e t t ∂ n e t t ∂ n e t t − 1 ∂ n e t t − 1 ∂ n e t t − 2 . . . ∂ n e t k + 1 ∂ n e t k (20) = W d i a g [ f ′ ( n e t t − 1 ) ] W d i a g [ f ′ ( n e t t − 2 ) ] . . . W d i a g [ f ′ ( n e t k ) ] δ t l (21) = δ t T ∏ i = k t − 1 W d i a g [ f ′ ( n e t i ) ] ( 式 3 )
式3 是将误差项沿时间反向传播的算法。
循环层将误差项反向传递到上一层网络,与普通的全连接层完全一样。
( δ l − 1 t ) T = = = ∂ E ∂ n e t l − 1 t ∂ E ∂ n e t l t ∂ n e t l t ∂ n e t l − 1 t ( δ l t ) T U d i a g [ f ′ l − 1 ( n e t l − 1 t ) ] ( 式 4 ) (22) (23) (24) (22) ( δ t l − 1 ) T = ∂ E ∂ n e t t l − 1 (23) = ∂ E ∂ n e t t l ∂ n e t t l ∂ n e t t l − 1 (24) = ( δ t l ) T U d i a g [ f ′ l − 1 ( n e t t l − 1 ) ] ( 式 4 )
式4 就是将误差项传递到上一层的算法。
3. 权重梯度的计算
首先,我们计算误差函数E对权重矩阵W的梯度∂ E ∂ W ∂ E ∂ W .
上图展示了前两步已经计算得到的值,包括每个时刻t循环层的输出值s t s t 以及误差项δ t δ t 。
梯度计算算法:只要知道了任意一个时刻的误差项δ t δ t ,以及上一个时刻循环层的输出值s t − 1 s t − 1 ,就可以按照下面的公式求出权重矩阵在t时刻的梯度∇ W t E ∇ W t E :
∇ W t E = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ δ t 1 s t − 1 1 δ t 2 s t − 1 1 . . δ t n s t − 1 1 δ t 1 s t − 1 2 δ t 2 s t − 1 2 δ t n s t − 1 2 . . . . . . . . . δ t 1 s t − 1 n δ t 2 s t − 1 n δ t n s t − 1 n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ( 式 5 ) ∇ W t E = [ δ 1 t s 1 t − 1 δ 1 t s 2 t − 1 . . . δ 1 t s n t − 1 δ 2 t s 1 t − 1 δ 2 t s 2 t − 1 . . . δ 2 t s n t − 1 . . δ n t s 1 t − 1 δ n t s 2 t − 1 . . . δ n t s n t − 1 ] ( 式 5 )
我们求得了权重矩阵W在t时刻的梯度∇ W t E ∇ W t E ,最终的梯度∇ W E ∇ W E 是各个时刻的梯度之和 (至于为什么是“和”,详细推导见链接):
∇ W E = = ∑ i = 1 t ∇ W i E ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ δ t 1 s t − 1 1 δ t 2 s t − 1 1 . . δ t n s t − 1 1 δ t 1 s t − 1 2 δ t 2 s t − 1 2 δ t n s t − 1 2 . . . . . . . . . δ t 1 s t − 1 n δ t 2 s t − 1 n δ t n s t − 1 n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ + . . . + ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ δ 1 1 s 0 1 δ 1 2 s 0 1 . . δ 1 n s 0 1 δ 1 1 s 0 2 δ 1 2 s 0 2 δ 1 n s 0 2 . . . . . . . . . δ 1 1 s 0 n δ 1 2 s 0 n δ 1 n s 0 n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ( 式 6 ) (25) (26) (25) ∇ W E = ∑ i = 1 t ∇ W i E (26) = [ δ 1 t s 1 t − 1 δ 1 t s 2 t − 1 . . . δ 1 t s n t − 1 δ 2 t s 1 t − 1 δ 2 t s 2 t − 1 . . . δ 2 t s n t − 1 . . δ n t s 1 t − 1 δ n t s 2 t − 1 . . . δ n t s n t − 1 ] + . . . + [ δ 1 1 s 1 0 δ 1 1 s 2 0 . . . δ 1 1 s n 0 δ 2 1 s 1 0 δ 2 1 s 2 0 . . . δ 2 1 s n 0 . . δ n 1 s 1 0 δ n 1 s 2 0 . . . δ n 1 s n 0 ] ( 式 6 )
式6 就是计算循环层权重矩阵W的梯度的公式。
RNN的梯度爆炸和消失问题
不幸的是,前面提到的几种RNNs都不能很好的处理较长的序列。原因是RNN在训练中很容易发生梯度爆炸 和梯度消失 ,这导致训练梯度不能在较长序列中一直传递下去,从而使RNN无法捕捉到长距离的影响。(具体原因见链接)
处理梯度爆炸:设置一个梯度阈值,当梯度超过这个阈值时可以直接截取。
处理梯度消失:
合理的初始化权重值。初始化权重,使每个神经元尽可能不要取极大值或极小值,以躲开梯度消失的区域。
使用ReLU代替Sigmoid和tanh作为**函数。
使用其他结构的RNNs,如长短时记忆网络(LTSM)和Gated Recurrent Unit(GRU)。