Recurrent Neural Network(1):Architecture

Recurrent Neural Network是在单个神经元上，除了输入与输出外，添加了一条Recurrent回路。也就是说，节点当前的状态将会影响其未来的状态。下式可以表征此关系：

s_t= f(s_t-1, x_t, θ)

 

如下图左侧，将前一时刻神经元的输出状态s，作为下一时刻的一个输入值，加权并入输入U中。这一操作使得，某一时刻神经元的输出状态s，依赖于之前各个时刻的状态s_t-1,s_t-2,...,s_t-n.从而，我们可以说该Recurrent path为神经网络引入了一个新的维度: time dimension.

在上图右侧，我们看到将该neuron在time dimension上展开后的形式，x_t是时间序列各个时间点的输入，s_t是各个时间点上产生的输出状态，而o_t则是各个时间点上该神经元的输出。而在该结构中，参数共有3个：U,W,V，分别是input weight, state weight, and output weight。和CNN一样，RNN同样有parameter sharing的思想，即在时间维度上，共享这三个parameters.

 

输出状态s_t的计算公式为：

其中f是activation function，可以使sigmoid, tanh, relu等等。而在输出端，如果我们使用Softmax去预测各个输出值的概率，则：

 

RNN有很多种变体，所有包含循环回路的神经网络都可以归为RNN。概括地说，某一时刻的状态s_t，是之前所有时刻输入x_t,...,x₁的一种有损压缩(Lossy Summary)。

下面是三种不同类型的RNN patterns:

 

Pattern 1: Hidden unit存在recurrent connections,每一个时间t上都有输出,每个时刻都有输出o,期望值y和Loss function

 

Pattern 2: Hidden Unit存在recurrent connections,读取完整个序列后，最后产生一个输出o,根据期望值y计算Loss function

 

Pattern 3: Output Unit对Hidden Unit有Recurrent Connection，每个时刻都有输出o,期望值y和Loss function

 

转载于:https://www.cnblogs.com/rhyswang/p/9091534.html