关键词

循环神经网络——序列模型

文章目录

循环神经网络 Recurrent Neural Networks

前向传播

many-to-many 结构
y^<1>y^<2>y^<3>y^<T>a<0>a<1>a<2>x<1>x<2>x<3>x<T>begin{array}{ccccccccc}& hat{y}^{<1>} && hat{y}^{<2>} && hat{y}^{<3>} & & hat{y}^{<T>} \& uparrow && uparrow && uparrow && uparrow\a^{<0>}rightarrow& boxed{begin{matrix} bigcirc \ bigcirc \ bigcirc \ bigcirc end{matrix}}& xrightarrow{a^{<1>}}& boxed{begin{matrix} bigcirc \ bigcirc \ bigcirc \ bigcirc end{matrix}}& xrightarrow{a^{<2>}}& boxed{begin{matrix} bigcirc \ bigcirc \ bigcirc \ bigcirc end{matrix}}& rightarrow cdots rightarrow& boxed{begin{matrix} bigcirc \ bigcirc \ bigcirc \ bigcirc end{matrix}}\& uparrow && uparrow && uparrow && uparrow\& x^{<1>} && x^{<2>} && x^{<3>} & & x^{<T>} \end{array}a<0>y^<1>x<1>a<1>y^<2>x<2>a<2>y^<3>x<3>y^<T>x<T>

或者表示成:

y^<1>y^<2>y^<T>a<0>a<1>a<2>a<T>x<1>x<2>x<T>begin{array}{ccccccccc}& hat{y}^{<1>} && hat{y}^{<2>} & & hat{y}^{<T>} \& uparrow && uparrow & & uparrow\a^{<0>}rightarrow& boxed{a^{<1>}}& rightarrow& boxed{a^{<2>}}& rightarrow cdots rightarrow& boxed{a^{<T>}}\& uparrow && uparrow && uparrow \& x^{<1>} && x^{<2>} & & x^{<T>} \end{array}a<0>y^<1>a<1>x<1>y^<2>a<2>x<2>y^<T>a<T>x<T>

数学表达式:
a<0>=0a<1>=g1(Waaa<0>+Waxx<1>+ba)=g1(Wa[a<0>,x<1>]+ba)y<1>=g2(Wya<1>+by)a<T>=g1(Waaa<T1>+Waxx<T1>+ba)=g1(Wa[a<T1>,x<t>]+ba)y<T>=g2(Wya<T>+by)begin{aligned}a^{<0>} &= vec{0} \a^{<1>} &= g_{1}(W_{aa}a^{<0>} + W_{ax}x^{<1>} + b_{a}) = g_{1}(W_{a}[a^{<0>},x^{<1>}] + b_{a})\y^{<1>} &= g_{2}(W_{y}a^{<1>} + b_{y}) \vdots \a^{<T>} &= g_{1}(W_{aa}a^{<T-1>} + W_{ax}x^{<T-1>} + b_{a}) = g_{1}(W_{a}[a^{<T-1>},x^{<t>}] + b_{a})\y^{<T>} &= g_{2}(W_{y}a^{<T>} + b_{y}) \end{aligned}a<0>a<1>y<1>a<T>y<T>=0=g1(Waaa<0>+Waxx<1>+ba)=g1(Wa[a<0>,x<1>]+ba)=g2(Wya<1>+by)=g1(Waaa<T1>+Waxx<T1>+ba)=g1(Wa[a<T1>,x<t>]+ba)=g2(Wya<T>+by) 其中,**函数 g1g_{1}g1 通常取 tanh 或 relu,g2g_{2}g2 取 sigmoid.

many-to-one 结构
例:输入一部影片,进行用户情感分析(喜欢/不喜欢)
y^<T>a<0>a<1>a<2>a<T>x<1>x<2>x<T>begin{array}{ccccccccc}&&&& & hat{y}^{<T>} \&&&& & uparrow\a^{<0>}rightarrow& boxed{a^{<1>}}& rightarrow& boxed{a^{<2>}}& rightarrow cdots rightarrow& boxed{a^{<T>}}\& uparrow && uparrow && uparrow \& x^{<1>} && x^{<2>} & & x^{<T>} \end{array}a<0>a<1>x<1>a<2>x<2>y^<T>a<T>x<T>

one-to-one 结构
y^a<0>a<1>xbegin{array}{ccc}& hat{y} \& uparrow\a^{<0>}rightarrow& boxed{a^{<1>}} \& uparrow \& x \end{array}a<0>y^a<1>x

one-to-many 结构:如音乐生成器
y^<1>y^<2>y^<T>a<0>a<1>a<2>a<T>xϕbegin{array}{cccccc}& hat{y}^{<1>} && hat{y}^{<2>} & & hat{y}^{<T>} \& uparrow && uparrow & & uparrow\a^{<0>}rightarrow& boxed{a^{<1>}}& rightarrow& boxed{a^{<2>}}& rightarrow cdots rightarrow& boxed{a^{<T>}}\& uparrow\& x或phi \end{array}a<0>y^<1>a<1>xϕy^<2>a<2>y^<T>a<T>

其他many-to-many结构
y^<1>y^<Ty>a<0>a<1>a<Tx>a<Tx+1>a<Tx+Ty>x<1>x<Tx>begin{array}{ccccccccc}&&&&& hat{y}^{<1>} && hat{y}^{<T_{y}>} \&&&&& uparrow && uparrow\a^{<0>}rightarrow& boxed{a^{<1>}}& rightarrow cdots rightarrow& boxed{a^{<T_{x}>}}& rightarrow& boxed{a^{<T_{x}+1>}}& rightarrow cdots rightarrow& boxed{a^{<T_{x}+T_{y}>}}\& uparrow && uparrow\& x^{<1>} && x^{<T_{x}>} \end{array}a<0>a<1>x<1>a<Tx>x<Tx>y^<1>a<Tx+1>y^<Ty>a<Tx+Ty>

代价函数

L(y^,y)=t=1TL<t>(y^<t>,y<t>)L(hat{y}, y) = sum_{t=1}^{T} L^{<t>}(hat{y}^{<t>}, y^{<t>})L(y^,y)=t=1TL<t>(y^<t>,y<t>) 其中,L<t>(y^<t>,y<t>)=y<t>logy^<t>(1y<t>)log(1y^<t>) L^{<t>}(hat{y}^{<t>}, y^{<t>}) = -y^{<t>}loghat{y}^{<t>} - (1-y^{<t>})log(1-hat{y}^{<t>}) L<t>(y^<t>,y<t>)=y<t>logy^<t>(1y<t>)log(1y^<t>)

反向传播

仅以 many-to-many 为例:

门控循环单元 GRU (gated recurrent units)

解决梯度消失问题
c:memory cell
c~<t>=tanh(Wc[Γr×c<t1>,x<t>]+bc)Γr=σ(Wr[c<t1>,x<t>]+br)Γu=σ(Wu[c<t1>,x<t>]+bu)c<t>=Γu×c~<t>+(1Γu)×c<t1>a<t>=c<t>begin{aligned}tilde c^{<t>} &= tanh(W_{c}[Gamma_{r} times c^{<t-1>},x^{<t>}] + b_{c}) \相关门:Gamma_{r} &= sigma(W_{r}[c^{<t-1>},x^{<t>}] + b_{r}) \更新门:Gamma_{u} &= sigma(W_{u}[c^{<t-1>},x^{<t>}] + b_{u}) \c^{<t>} &= Gamma_{u}times tilde c^{<t>} + (1-Gamma_{u}) times c^{<t-1>} \a^{<t>} &= c^{<t>}\end{aligned}c~<t>ΓrΓuc<t>a<t>=tanh(Wc[Γr×c<t1>,x<t>]+bc)=σ(Wr[c<t1>,x<t>]+br)=σ(Wu[c<t1>,x<t>]+bu)=Γu×c~<t>+(1Γu)×c<t1>=c<t>Γu1Gamma_{u} approx 1Γu1 时,c<t>c<t1>c^{<t>} approx c^{<t-1>}c<t>c<t1>.

长短时记忆单元 LSTM (long short time memory)

c~<t>=tanh(Wc[a<t1>,x<t>]+bc)Γu=σ(Wu[a<t1>,x<t>]+bu)Γf=σ(Wf[a<t1>,x<t>]+bf)Γo=σ(Wo[a<t1>,x<t>]+bo)c<t>=Γu×c~<t>+Γf×c<t1>a<t>=Γo×c<t>begin{aligned}tilde c^{<t>} &= tanh(W_{c}[a^{<t-1>},x^{<t>}] + b_{c}) \更新门:Gamma_{u} &= sigma(W_{u}[a^{<t-1>},x^{<t>}] + b_{u}) \遗忘门:Gamma_{f} &= sigma(W_{f}[a^{<t-1>},x^{<t>}] + b_{f}) \输出门:Gamma_{o} &= sigma(W_{o}[a^{<t-1>},x^{<t>}] + b_{o}) \c^{<t>} &= Gamma_{u}times tilde c^{<t>} + Gamma_{f} times c^{<t-1>} \a^{<t>} &= Gamma_{o} times c^{<t>}end{aligned}c~<t>ΓuΓfΓoc<t>a<t>=tanh(Wc[a<t1>,x<t>]+bc)=σ(Wu[a<t1>,x<t>]+bu)=σ(Wf[a<t1>,x<t>]+bf)=σ(Wo[a<t1>,x<t>]+bo)=Γu×c~<t>+Γf×c<t1>=Γo×c<t>

GRU or LSTM ?
GRU 只有两个门控,更简单,可以看成是LSTM的简化;
LSTM 有三个门控,更强大和灵活。

双向RNN (bidirectional RNN)


如对于输出 y^<3>hat{y}^{<3>}y^<3>,即收到了来自过去 x<1>,x<2>x^{<1>}, x^{<2>}x<1>,x<2> 的信息,又收到了来自现在 x<3>x^{<3>}x<3>,也收到了来自未来 x<4>x^{<4>}x<4> 的信息。
在处理NLP问题中,带有LSTM的双向RNN是非常常用的。

深层RNN

y^<1>y^<2>y^<T>a[3]<0>a[3]<1>a[3]<2>a[3]<T>a[2]<0>a[2]<1>a[2]<2>a[2]<T>a[1]<0>a[1]<1>a[1]<2>a[1]<T>x<1>x<2>x<T>begin{array}{ccccccccc}& hat{y}^{<1>} && hat{y}^{<2>} & & hat{y}^{<T>} \& uparrow && uparrow & & uparrow\a^{[3]<0>}rightarrow& boxed{a^{[3]<1>}}& rightarrow& boxed{a^{[3]<2>}}& rightarrow cdots rightarrow& boxed{a^{[3]<T>}}\& uparrow && uparrow & & uparrow\a^{[2]<0>}rightarrow& boxed{a^{[2]<1>}}& rightarrow& boxed{a^{[2]<2>}}& rightarrow cdots rightarrow& boxed{a^{[2]<T>}}\& uparrow && uparrow & & uparrow\a^{[1]<0>}rightarrow& boxed{a^{[1]<1>}}& rightarrow& boxed{a^{[1]<2>}}& rightarrow cdots rightarrow& boxed{a^{[1]<T>}}\& uparrow && uparrow && uparrow \& x^{<1>} && x^{<2>} & & x^{<T>} \end{array}a[3]<0>a[2]<0>a[1]<0>y^<1>a[3]<1>a[2]<1>a[1]<1>x<1>y^<2>a[3]<2>a[2]<2>a[1]<2>x<2>y^<T>a[3]<T>a[2]<T>a[1]<T>x<T>

如:其中 a[2]<2>=g(Wa[2][a[2]<1>],a[1]<2>]+b[2])a^{[2]<2>} = g(W_{a}^{[2]}[a^{[2]<1>]}, a^{[1]<2>}]+b^{[2]})a[2]<2>=g(Wa[2][a[2]<1>],a[1]<2>]+b[2])
当然,也可以把其中某些箭头去掉;每一个块不一定是标准的RNN,可以是LSTM或GRU;可以建立双向RNN.

本文链接:http://task.lmcjl.com/news/5573.html

展开阅读全文