RNN循环神经网络

RNN循环神经网络

• 返回顶层目录

• 为什么需要RNN

• RNN原理

• RNN的不同架构

  • 多层Deep的RNN

  • Elman和Jordan网络架构

  • 双向RNN

为什么需要RNN

以订票系统的填空（slot filling）为例，比如一个智慧订票系统，往往需要slot filling技术。

假设订票系统需要根据人说的话得到两个slot：目的地和到达时间。

slot-filling

这个问题我们首先想到可以用全连接网络（FNN：FeedForword Neural Network）来解决。

这个全连接网络的输入是一个词汇，比如把台北变为一个Embedding（OneHot、N-gram、Word2vec）输入到神经网络里。然后希望输出是一个概率，即属于所有slot的几率。

但是只有这样是不够的，全连接网络不能解决这个问题。为什么呢？

如果有两个输入：

arrive Taipei on November 2nd
leave Taipei on November 2nd

但对于全连接神经网络来说，输入一样，输出也会一样。输入Taipei，要么输出是目的地的几率最高，要么是出发地的几率最高，没有办法有时候让目的地的几率最高，有时候让出发地的几率最高，那怎么办呢？

这个时候，我们就希望神经网络是有记忆力的。

book-tiket

如果神经网络是有记忆力的，它会记得在看到红色Taipei这个词之前，就已经看过arrive这个词汇；它会记得在看到绿色Taipei这个词之前，就已经看过leave这个词汇。它会根据这段话的上下文，产生不同的输出。

如果神经网络是有记忆力的，这样就可以解决输入同样的词汇，但是输出必须不同这个问题。那么这种有记忆力的神经网络，就叫做Recurrnt Neural Network(RNN)。

RNN原理

每次前向神经网络里的隐藏层的神经元产生输出（下图中的$a_1$和$a_2$）后，都会被存到memory中去，然后当下一个input输入后，隐藏层的输入不仅仅考虑$x_1$和$x_2$，还会考虑上一次的隐藏层输出存在memory中的值。

rnn.jpg

那具体过程是怎样的呢？用一个简单的例子来说明会比较清楚。

假设如下图所示的所有权值都是1，所有的神经元都没有bias，假设所有的激活函数都是线性的，假设input是sequence，具体值如下图中所示，假设memory的初始值是0。

rnn-example1.jpg

然后如下图所示隐藏层的值2被写到memory中，接下来再输入第二个单词的embedding，那么隐藏层的输入有四个，加权的结果是6，输出的结果也是6。

rnn-example2

由上图可以看出，输入是一样的，但是输出是可能不一样的，因为存在memory中的值是不一样的。

接下来，如下图所示上图中隐藏层的输出6就会被存到memory中去，memory中的值就由2变为6。隐藏层的输入有四个（6+6+2+2=16），所以隐层的输出就是16。

rnn-example3

所以因为memory的存在，任意调换sequence的顺序，那么输出就会不一样。比如把sequence的最后一个单词挪到最前面去，则输出是会完全不一样的。所以，RNN会考虑输入的seqence的顺序。

example：

现在RNN的原理就讲完了，下面还是用前面的订票系统来距离说明。

rnn-example4

上面并不是三个网络，而是同一个神经网络，是同一个网络在三个不同的时间点被使用了三次。

所以，有了memory以后，我们希望输入同一个词汇，输出不同的概率这个问题，就有可能解决。

如下图所示，同样是输入Taipei，但是因为红色Taipei前面接leave，绿色Taipei前面接arrive，因为leave和arrive它们的embedding不一样，所以隐层的输出也会不同，存在memory里面的值也会不同。所以虽然现在两个$x^2$是一模一样的，但是因为存在memory里面的值不同，所以隐层的输出就会不一样，所以最后的输出也就会不一样。

rnn-example5

RNN的不同架构

多层Deep的RNN

RNN当然也可以有很多层，如下图所示

rnn-structure

Elman和Jordan网络架构

前面我们讲的都是Elman网络架构，Jordan网络往memory中存的是output的值。Jordan网络可以得到比较好的性能，因为Elman网络的隐藏层是没有target的，比较难控制它学到了什么信息，但是Jordan网络的输出y是有target的，可以对放在memory中的是什么东西比较清楚的。

rnn-structure2

双向RNN

RNN的读取方向不仅可以是按照句子的顺序，也可以是反过来的。

可以同时train一个正向的RNN和逆向的RNN，然后把两个RNN的隐藏层都拿出来接给一个输出层，得到最后的输出y。

rnn-structure3

用双向RNN的好处，就是网络产生输出的时候，看的范围比较广。如果只有正向的RNN，在产生$y^{t+1}$的时候，网络只看过$x^1$一直到$x^{t+1}$，但是如果是双向的RNN，在产生$y^{t+1}$的时候，网络不只是看过$x^1$一直到$x^{t+1}$，也看了从句尾一直到$x^{t+1}$。就是说，网络是看了整个sequence后，才决定输出是什么，会比只看句子的一半得到更好的性能。

RNN的梯度消失问题

RNN的缺陷是梯度消失问题，即便是LSTM也只能缓解该问题。

rnn-vanishing-gradient

参考资料

• 李宏毅教授讲解 RNN LSTM的视频

• B站李宏毅深度学习RNN2019

本文参考了该视频。两个视频都一样。

• Recurrent Neural Networks (RNN) - The Vanishing Gradient Problem

• paper: On the difficulty of training recurrent neural networks

"RNN的梯度消失问题"参考该博客，paper没看，但是觉得有用。

===

完全图解RNN、RNN变体、Seq2Seq、Attention机制

seq2seq学习笔记

RNN基础 对于RNN，我看到讲得最通俗易懂的应该是Andrej发的博客： The Unreasonable Effectiveness of Recurrent Neural Networks

这里有它的中文翻译版本： 递归神经网络不可思议的有效性

如果想了解 LSTM 的原理，可以参考这篇文章：（译）理解 LSTM 网络 （Understanding LSTM Networks by colah）。 下面的连接中对RNN还有BPTT（RNN的反向传播算法），LSTM和GRU的原理和实现讲解得也是非常棒： http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/

Visualizing memorization in RNNs

谁能用比较通俗有趣的语言解释RNN和LSTM？

一文读懂LSTM和循环神经网络

深度学习循环神经网络详解

【深度学习之美】循环递归RNN，序列建模套路深（入门系列之十三）

【Deep Learning】通俗大白话详述RNN理论和LSTM理论

深度学习实战教程(五)：循环神经网络

The Ultimate Guide to Recurrent Neural Networks (RNN)