神经网络中最经典的RNN模型介绍

电子说

1.3w人已加入

描述

神经网络是深度学习的载体,而神经网络模型中,最经典非RNN模型所属,尽管它不完美,但它具有学习历史信息的能力。后面不管是encode-decode 框架,还是注意力模型,以及自注意力模型,以及更加强大的Bert模型家族,都是站在RNN的肩上,不断演化、变强的。

这篇文章,阐述了RNN的方方面面,包括模型结构,优缺点,RNN模型的几种应用,RNN常使用的激活函数,RNN的缺陷,以及GRU,LSTM是如何试图解决这些问题,RNN变体等。

这篇文章最大特点是图解版本,其次语言简练,总结全面。

概述

传统RNN的体系结构。Recurrent neural networks,也称为RNNs,是一类允许先前的输出用作输入,同时具有隐藏状态的神经网络。它们通常如下所示:

深度学习

对于每一时步 , 激活函数   ,输出  被表达为:

深度学习

深度学习

这里深度学习是时间维度网络的共享权重系数  是激活函数

深度学习

下表总结了典型RNN架构的优缺点:

 

处理任意长度的输入 计算速度慢
模型形状不随输入长度增加 难以获取很久以前的信息
计算考虑了历史信息 无法考虑当前状态的任何未来输入
权重随时间共享  
优点 缺点

 

RNNs应用

RNN模型主要应用于自然语言处理和语音识别领域。下表总结了不同的应用:

 

1对1  

 

深度学习

 

  传统神经网络
1对多  

 

深度学习

 

  音乐生成
多对1  

 

深度学习

 

  情感分类
多对多  

 

深度学习

 

  命名实体识别
多对多  

 

深度学习

 

  机器翻译
RNN 类型 图解 例子

 

损失函数 对于RNN网络,所有时间步的损失函数 是根据每个时间步的损失定义的,如下所示:

深度学习

时间反向传播

在每个时间点进行反向传播。在时间步,损失相对于权重矩阵的偏导数表示如下:

深度学习

处理长短依赖

常用激活函数

RNN模块中最常用的激活函数描述如下:

 

     
 

 

深度学习

 

   

 

深度学习

 

   

 

深度学习

 

 
Sigmoid Tanh RELU

 

梯度消失/爆炸

在RNN中经常遇到梯度消失和爆炸现象。之所以会发生这种情况,是因为很难捕捉到长期的依赖关系,因为乘法梯度可以随着层的数量呈指数递减/递增。

梯度修剪 梯度修剪是一种技术,用于执行反向传播时,有时遇到的梯度爆炸问题。通过限制梯度的最大值,这种现象在实践中得以控制。

深度学习

门的类型

为了解决消失梯度问题,在某些类型的RNN中使用特定的门,并且通常有明确的目的。它们通常标注为,等于:

深度学习

其中,是特定于门的系数,是sigmoid函数。主要内容总结如下表:

 

更新门 过去对现在有多重要? GRU, LSTM
关联门 丢弃过去信息? GRU, LSTM
遗忘门 是不是擦除一个单元? LSTM
输出门 暴露一个门的多少? LSTM
门的种类 作用 应用

 

GRU/LSTM Gated Recurrent Unit(GRU)和长-短期记忆单元(LSTM)处理传统RNNs遇到的消失梯度问题,LSTM是GRU的推广。下表总结了每种结构的特征方程:

深度学习

注:符号表示两个向量之间按元素相乘。

RNN的变体

下表总结了其他常用的RNN模型:

 

 

 

深度学习

 

   

 

深度学习

 

原文标题:神经网络RNN图解

文章出处:【微信公众号:Imagination Tech】欢迎添加关注!文章转载请注明出处。

责任编辑:haq

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分