一文了解循环神经网络

循环神经网络

一、什么是循环神经网络：

循环神经网络（Rerrent Neural Network, RNN），是神经网络的一种，类似的还有深度神经网络DNN，卷积神经网络CNN，生成对抗网络GAN。RNN的特点是对具有序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息，利用了RNN的这种能力，使深度学习模型在解决语音识别、语言模型、机器翻译以及时序分析等NLP领域的问题时有所突破。
对于序列特性，我个人理解，就是符合时间顺序，逻辑顺序，或者其他顺序就叫序列特性，举几个例子：

• 拿人类的某句话来说，也就是人类的自然语言，是不是符合某个逻辑或规则的字词拼凑排列起来的，这就是符合序列特性。
• 语音，我们发出的声音，每一帧每一帧的衔接起来，才凑成了我们听到的话，这也具有序列特性、
• 股票，随着时间的推移，会产生具有顺序的一系列数字，这些数字也是具有序列特性。

序列数据是常见的数据类型,前后数据通常具有关联性
例如句子“cats average 15 hours of sleep a day”

二、为什么要发明循环神经网络：

举个例子，现在有两句话：
第一句话：I like eating apple！（我喜欢吃苹果！）
第二句话：The Apple is a great company！（苹果真是一家很棒的公司！）
现在的任务是要给apple打Label，我们都知道第一个apple是一种水果，第二个apple是苹果公司，假设我们现在有大量的已经标记好的数据以供训练模型，当我们使用全连接的神经网络时，我们做法是把apple这个单词的特征向量输入到我们的模型中（如下图），在输出结果时，让我们的label里，正确的label概率最大，来训练模型，但我们的语料库中，有的apple的label是水果，有的label是公司，这将导致，模型在训练的过程中，预测的准确程度，取决于训练集中哪个label多一些，这样的模型对于我们来说完全没有作用。问题就出在了我们没有结合上下文去训练模型，而是单独的在训练apple这个单词的label，这也是全连接神经网络模型所不能做到的，于是就有了我们的循环神经网络。

NLP中常把文本看为离散时间序列，一段长度为T的文本的词依次为w1, W 2, … , WT其中 wt(1 ≤ t ≤T)是时间步(Time step) t的输出或标签
语言模型将会计算该序列概率P(W 1 , w2 ,… , WT)
“Cats average 15 hours of sleep a da y”
八个单词==>T=8
列如： chu fang li de shi you yong wan le
p(厨,房,里,的,食,油,用,完,了)>p(厨,房,里,的,石,油,用,完,了)

语言模型计算序列概率:
$$P(w1,w2,...,wT)=1P(wt|w1,...,w{t}_1).$$
$$P(我,在,听,课）=P(我)\ast P（在│我）\ast P（听│我,在）\ast P（听│我,在,听）$$
统计语料库（Corpus）中的词频，得到以上概率，最终得到P(我,在,听,课)
缺点:时间步t的词需要考虑t-1步的词，其计算量随t呈指数增长

3、 三种循环神经网络结构：

循环神经网络中一些重要的设计模式包括以下几种：

1. 每个时间步都有输出，并且隐藏单元之间有循环连接的循环网络。
   
   任何图灵可计算的函数都可以通过这样一个有限维的循环网络计算，在这个意义上的循环神经网络是万能的。RNN 经过若干时间步后读取输出，这与由图灵机所用的时间步是渐近线性的，与输入长度也是渐近线性的。由图灵机计算的函数是离散的，所以这些结果都是函数的具体实现，而不是近似。RNN 作为图灵机使用时，需要一个二进制序列作为输入，其输出必须离散化以提供二进制输出。利用单个有限大小的特定 RNN 计算在此设置下的所有函数是可能的。图灵机的‘‘输入’’ 是要计算函数的详细说明 ，所以模拟此图灵机的相同网络足以应付所有问题。用于证明的理论 RNN 可以通过激活和权重（由无限精度的有理数表示）来模拟无限堆栈。
   现在我们研究图 10.3 中 RNN 的前向传播公式。这个图没有指定隐藏单元的激活函数。我们假设使用双曲正切激活函数。此外，图中没有明确指定何种形式的输出和损失函数。我们假定输出是离散的，如用于预测词或字符的 RNN。表示离散变量的常规方式是把输出 o 作为每个离散变量可能值的非标准化对数概率。然后，我们可以应用 softmax 函数 后续处理后，获得标准化后概率的输出向量 yˆ。RNN 从特定的初始状态 h(0) 开始前向传播。从 t = 1 到 t = τ 的每个时间步，我们应用以下更新方程：
   
   其中的参数的偏置向量 b 和 c 连同权重矩阵 U、V 和 W，分别对应于输入到隐藏、隐藏到输出和隐藏到隐藏的连接。这个循环网络将一个输入序列映射到相同长度的输出序列。与 x 序列配对的 y 的总损失就是所有时间步的损失之和。例如，L(t) 为给定的 x(1), . . . , x(t) 后 y(t) 的负对数似然，则
   

2. 每个时间步都产生一个输出，只有当前时刻的输出到下个时刻的隐藏单元之间有循环连接的循环网络。
   

3. 隐藏单元之间存在循环连接，但读取整个序列后产生单个输出的循环网络。
   

4、循环神经网络RNN

RNN是针对序列数据而生的神经网络结构，核心在于循环使用网络层参数，避免时间步增大带来的参数激增，并引入隐藏状态（Hidden State)用于记录历史信息，有效的处理数据的前后关联性。

举个例子，有一句话是，I like study，那么在利用RNN做一些事情时，比如命名实体识别，上图中的 $X_{t-1}$代表的就是I这个单词的向量， $X$ 代表的是like这个单词的向量， $X_{t+1}$代表的是study这个单词的向量，以此类推，我们注意到，上图展开后，W一直没有变，W其实是每个时间点之间的权重矩阵。RNN之所以可以解决序列问题，是因为它可以记住每一时刻的信息，每一时刻的隐藏层不仅由该时刻的输入层决定，还由上一时刻的隐藏层决定，公式如下，其中$O_t$代表t时刻的输出, $S_t$代表t时刻的隐藏层的值：
$$O_t=g(V{S}_t)$$
$$S_t=f(U{X}_t+W{S}_{t-1})$$
值得注意的一点是，在整个训练过程中，每一时刻所用的都是同样的W。
隐藏状态（Hidden state）用于记录历史信息，有效处理数据的前后关联性激活函数采用Tanh，将输出值域限制在[-1，1]，防止数值呈指数级变化

参数矩阵$$[W_{xh}、W_{hh}、W_{hq}]$$

四、例子

假设现在我们已经训练好了一个RNN，如图，我们假设每个单词的特征向量是二维的，也就是输入层的维度是二维，且隐藏层也假设是二维，输出也假设是二维，所有权重的值都为1且没有偏差且所有激活函数都是线性函数，现在输入一个序列，到该模型中，我们来一步步求解出输出序列：


W在实际的计算中，在图像中表示非常困难 ，所以我们可以想象上一时刻的隐藏层的值是被存起来，等下一时刻的隐藏层进来时，上一时刻的隐藏层的值通过与权重相乘，两者相加便得到了下一时刻真正的隐藏层，如图$a_1,a_2$ 可以看做每一时刻存下来的值，当然初始时$a_1,a_2$ 是没有存值的，因此初始值为0：

当我们输入第一个序列，[1,1]，如下图，其中隐藏层的值，也就是绿色神经元，是通过公式$S_t=f(U{X}_t+W{S}_{t-1})$计算得到的，因为所有权重都是1，所以也就是$1\ast 1+1\ast 1+1\ast 0+1\ast 0=2$,输出层的值4是通过公式 $O_t=g(V{S}_t)$计算得到的，也就是 $2\ast 1+2\ast 1=4$ ，得到输出向量[4,4]：
RNN 是通过时间返向传播（backpropagation through time）

当[1,1]输入过后，我们的记忆里的 $a_1,a_2$已经不是0了，而是把这一时刻的隐藏状态放在里面，即变成了2，如图，输入下一个向量[1,1]，隐藏层的值通过公式$S_t=f(U{X}_t+W{S}_{t-1})$得到， $1\ast 1+1\ast 1+1\ast 2+1\ast 2=6$，输出层的值通过公式$O_t=g(V{S}_t)$，得到$6\ast 1+6\ast 1=12$，最终得到输出向量[12,12]：

由此，我们得到了最终的输出序列为：

五、RNN梯度传播

每一时刻的输出结果都与上一时刻的输入有着非常大的关系，如果我们将输入序列换个顺序，那么我们得到的结果也将是截然不同，这就是RNN的特性，可以处理序列数据，同时对序列也很敏感。

反向传播推导过程：
T=3
$$\frac{\partial L}{\partial W_{qh}}=\sum _{t=1}^{T}prod(\frac{\partial L}{\partial o_t},\frac{\partial o_t}{\partial W_{qh}})=\sum _{t=1}^T\frac{\partial L}{\partial o_t}{h}_t^T$$
$$\frac{\partial L}{\partial h_T}=prod(\frac{\partial L}{\partial o_T},\frac{\partial o_T}{\partial h_T})=W_{qh}^T\frac{\partial L}{\partial o_t}$$
$$\frac{\partial L}{\partial h_t}=prod(\frac{\partial L}{\partial o_t+1},\frac{\partial h_{t+1}}{\partial h_t})+prod(\frac{\partial L}{\partial o_t},\frac{\partial o_t}{\partial h_t})=W_{hh}^T\frac{\partial L}{\partial h_{t+1}}+W_{qh}^T\frac{\partial L}{\partial o_t}$$
$$\frac{\partial L}{\partial h_t}=\sum _{i=t}^T(W_{hh}^T{)}^{T-i}{W}_{qh}^T\frac{\partial L}{\partial o_{T+t-i}}$$
$$\frac{\partial L}{\partial W_{hx}}=prod(\frac{\partial L}{\partial h_t},\frac{\partial h_t}{\partial W_{hx}})=\sum _{t=1}^T\frac{\partial L}{\partial h_t}{x}_t^T$$
$$\frac{\partial L}{\partial W_{hh}}=prod(\frac{\partial L}{\partial h_t},\frac{\partial h_t}{\partial W_{hh}})=\sum _{t=1}^T\frac{\partial L}{\partial h_t}{x}_{t-1}^T$$

解决方案一（预训练加微调）：

此方法来自Hinton在2006年发表的一篇论文，Hinton为了解决梯度的问题，提出采取无监督逐层训练方法，其基本思想是每次训练一层隐节点，训练时将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入，此过程就是逐层“预训练”（pre-training）；在预训练完成后，再对整个网络进行“微调”（fine-tunning）。Hinton在训练深度信念网络（Deep Belief Networks中，使用了这个方法，在各层预训练完成后，再利用BP算法对整个网络进行训练。此思想相当于是先寻找局部最优，然后整合起来寻找全局最优，此方法有一定的好处，但是目前应用的不是很多了。

解决方案二（梯度剪切、正则）：

梯度剪切这个方案主要是针对梯度爆炸提出的，其思想是设置一个梯度剪切阈值，然后更新梯度的时候，如果梯度超过这个阈值，那么就将其强制限制在这个范围之内。这可以防止梯度爆炸。

正则化是通过对网络权重做正则限制过拟合，仔细看正则项在损失函数的形式：

其中，α是指正则项系数，因此，如果发生梯度爆炸，权值的范数就会变的非常大，通过正则化项，可以部分限制梯度爆炸的发生。
注：事实上，在深度神经网络中，往往是梯度消失出现的更多一些

解决方案三（改变激活函数）：

首先说明一点，tanh激活函数不能有效的改善这个问题，先来看tanh的形式：
再来看tanh的导数图像：

发现虽然比sigmoid的好一点，sigmoid的最大值小于0.25，tanh的最大值小于1，但仍是小于1的，所以并不能解决这个

Relu:思想也很简单，如果激活函数的导数为1，那么就不存在梯度消失爆炸的问题了，每层的网络都可以得到相同的更新速度，relu就这样应运而生。先看一下relu的数学表达式：


从上图中，我们可以很容易看出，relu函数的导数在正数部分是恒等于1的，因此在深层网络中使用relu激活函数就不会导致梯度消失和爆炸的问题。

relu的主要贡献在于：

• 解决了梯度消失、爆炸的问题
• 计算方便，计算速度快
• 加速了网络的训练

同时也存在一些缺点：

• 由于负数部分恒为0，会导致一些神经元无法激活（可通过设置小学习率部分解决）
• 输出不是以0为中心的

六、门控循环单元

缓解RNN梯度消失带来的问题，引入门概念,来控制信息流动,使模型更好的记住长远时期的信息,并缓解梯度消失
重置门:哪些信息需要遗忘
更新门:哪些信息需要注意
激活函数为:Sigmoid，值域为(0，1)，0表示遗忘，1表示保留

候选隐藏状态
输入与上一时间步隐藏状态共同计算得到候选隐藏状态,用于隐藏状态计算。通过重置门，对上一时间步隐藏状态进行选择性遗忘,对历史信息更好的选择


隐藏状态由候选隐藏状态及上一时间步隐藏状态组合得来。
$$H_t=Z_t\odot H_{t-1}+(1-Z_t)\odot \widetilde{H_t}$$
GRU特点∶
门机制采用Sigmoid激活函数,使门值为（0，1)，0表示遗忘,1表示保留
若更新门自第一个时间步到t-1时间过程中,一直保持为1,信息可有效传递到当前时间步

重置门：
$$\widetilde{H_t}=tanh(X_t{W}_{xh}+(R_t\odot H_{t-1})W_{hh}+b_h)$$
更新门：
$$H_t=Z_t\odot H_{t-1}+(1-Z_t)\odot \widetilde{H_t}$$