循环神经网络
循环神经网络：Recurrent Nerual Network，简称RNN。
RNN可以有很多种结构，包括一对一的Vanilla网络，一对多的图像字幕，多对一的情感分类（处理一定数量的按顺序排列的词，然后试着把句子里的词，按正面和负面情感分类），多对多的机器翻译（将一个序列翻译成另一个序列）、视频分类。
RNN例子
RN有其自己内部的状态，但是在每个时间点接收内容，然后结合函数来修改自己的状态，也就是说影响RNN状态的因素不止有自己的状态还有接受内容。
可以将RNN的状态表达成这样一个函数：
其中
表示RNN在t时刻的状态，表示在t时刻RNN收到的内容。表示参数为w的函数。
是对的权重，是对的权重。
图像标注
考虑一个图像标注的网络
网络分为两部分，CNN和RNN，CNN用来处理图像，RNN用来负责建立序列模型。
将图像放入CNN中，得到v，然后利用第二个公式计算出h（这里
表示图像信息进入RNN的第一步的情况。）
而
是序列的第一个单词的分布情况，假设根据，发现最可能出现的词语是“稻草”。
然后将“稻草”对应的向量放入ＲＮＮ的底部，得到序列中第二个单词的描述
“帽子‘”，
然后将“帽子”对应的向量放入ＲＮＮ的底部，依次循环直到得到一个结束标志。最终RNＮ价格这张图片描述成草帽。
ｙ向量的维数等于单词表的数目加一，这是因为考虑到了结束标志。
LSTM
RNN只有一个隐藏状态h，而LSTM包含多个隐藏状态h,c。
其中i表示input，f表示forget，o表示output，f,i,o的值是０～１，g的值是－１～１
表示细胞状态，的更新依赖f（忘记门）和i（输入门）两个变量，首先与f逐元素相乘，舍弃的部分信息，f中为1的元素对应的信息得以完全保留，为0的元素对应的信息会被丢弃。然后，i与g逐元素相乘，表示细胞状态受输入i的影响。两者加和得到新的目标状态。
而
再来影响，计算o（输出门）与的点积，然后得到。
计算过程如下：
对比LSTM和RNN
- RNN全部的隐藏状态影响下一状态。而LSTM只选择部分隐藏状态影响下一状态。
- RNN可能会发生梯度消失的情况，而LSTM因为有加法的原因回均匀地分配梯度，不会产生梯度消失的问题。
总结
- RNN设计灵魂
- RNN简单但效果不够好
- LSTM的加法会使梯度流加速
- RNN梯度的反向传播会造成梯度爆炸或梯度消失，梯度爆炸问题可以通过梯度裁剪来解决，梯度消失问题就通过增加额外的加法解决（类似LSTM）
参考：https://www.cnblogs.com/coldyan/p/8385021.html
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：CS231n李飞飞计算机视觉 循环神经网络 - Python技术站
微信扫一扫 
支付宝扫一扫 