循环神经网络(Recurrent Neural Network)

AI-第五期-DarkRabbit

这篇文章是对循环神经网络的一个概念性总结,对应:

  • 第十一周:(01)循环神经网络
  • 第十一周:(04)LSTM
  • 维基百科(en):
    • “Recurrent neural network” 词条
    • “Long short-term memory” 词条
    • “Backpropagation through time” 词条

公式在CSDN的app中会显示乱码,请在其它方式阅读


目录


1 什么是循环神经网络

循环神经网络是一种人工神经网络(Artificial Neural Network),它的神经元间的连接沿序列(sequence)构成有向图,这使得它能表现出动态时间行为,所以有些地方也称为时间递归神经网络。

2 常用结构(Architectures)

2.1 基本结构(Basic)

基本循环神经网络结构(图片来自 Wikipedia):

AI(008) - 循环神经网络(Recurrent Neural Network)

从图中可以看出( t 为时间,除时间外所指均为向量或矩阵,下同):

  • 输入层(input):在 t 时刻的输入 xt
  • 隐藏层(hidden):在 t 时刻的值 ht ,它取决于权重为 Uxt 与 权重为 Vht1
  • 输出层(output):在 t 时刻的输出 ot ,它取决于权重为 Wht

用公式表示即是:

ot=σo(Wht)(1)ht=σh(Uxt+Vht1)(2)

其中 σ() 为对应的**函数。

从公式(2)表现为递归形式来看,输出 ot 是受到之前所有输入的影响(xt,xt1,)。展开式为:

ot=σo(Wht)=σo(Wσh(Uxt+Vht1))=σo(Wσh(Uxt+Vσh(Uxt1+Vht2)))=σo(Wσh(Uxt+Vσh(Uxt1+Vσh(Uxt2+Vσh()))))(3)

2.2 简单结构(Simple Recurrent (Neural) Networks,SR(N)N)

简单循环网络(SRN)通常是指 Elman networks 与 Jordan networks 。

Elman 网络的结构(图片来自 Wikipedia):

AI(008) - 循环神经网络(Recurrent Neural Network)

Elman 网络是一个三层网络(图中 x,y,z ),附带一个“上下文单元”(context units,图中 u )。隐层与这些单元相连接,权重为1。

Jordan 网络和 Elman 网络非常相似。只是这些“上下文单元”不是和隐层相连,而是与输出层相连。这些“上下文单元”被称为状态层(state layer)。

它们的公式表示都为:

yt=σy(Wyht+by)(4)ht=σh(Whxt+Uhht1+bh)(5)

2.3 长短期记忆网络(Long Short-Term Memory,LSTM)

LSTM 避免了梯度消失的问题。

LSTM 结构如下(图片来自 Wikipedia):

AI(008) - 循环神经网络(Recurrent Neural Network)

一个 LSTM 包含一个记忆细胞(memory cell,图中 ct ),一个遗忘门(forget gate,图中 σ,Ft )一个输入门(input gate,图中 σ,It )和一个输出门(output gate,图中 σ,Ot )。

从图中就可以看出,在 LSTM 有:

  • 遗忘门:决定了上一时刻 ct1 保留多少内容。
  • 输入门:决定了这一时刻 xt 保留多少内容。
  • 输出门:决定了这一时刻 ct 有多少内容输出到 ht
  • 输入:在 t 时刻的输入 xt ,在 t1 时刻的输出 ht1ct1
  • 输出:在 t 时刻的输出 htct

用公式表示即是:

Ft=sigmoid(WFxt+UFht1+bF)(6)It=sigmoid(WIxt+UIht1+bI)(7)Ot=sigmoid(WOxt+UOht1+bO)(8)ct=Ftct1+Ittanh(Wcxt+Ucht1+bc)(9)ht=Ottanh(ct)(10)

其中 是哈达马乘积(Hadamard product)矩阵运算,也记作 ,部分文章也写作

3 基于时间的反向传播算法(Backpropagation Trough Time,BPTT)

BPTT 是一种基于梯度的技术,可以用来计算 Elman 网络。

具体的计算可以参考这篇文章

Recurrent Neural Networks Tutorial, Part 3 – Backpropagation Through Time and Vanishing Gradients