递归神经网络
来源:互联网 发布:java向导被中断 编辑:程序博客网 时间:2024/06/05 05:25
在此之前,我们已经学习了前馈网络的两种结构——多层感知器和卷积神经网络,这两种结构有一个特点,就是假设输入是一个独立的没有上下文联系的单位,比如输入是一张图片,网络识别是狗还是猫。但是对于一些有明显的上下文特征的序列化输入,比如预测视频中下一帧的播放内容,那么很明显这样的输出必须依赖以前的输入, 也就是说网络必须拥有一定的”记忆能力”。为了赋予网络这样的记忆力,一种特殊结构的神经网络——递归神经网络(Recurrent Neural Network)便应运而生了。网上对于RNN的介绍多不胜数,这篇《Recurrent Neural Networks Tutorial》对于RNN的介绍非常直观,里面手把手地带领读者利用python实现一个RNN语言模型,强烈推荐。为了不重复作者 Denny Britz的劳动,本篇将简要介绍RNN,并强调RNN训练的过程与多层感知器的训练差异不大(至少比CNN简单),希望能给读者一定的信心——只要你理解了多层感知器,理解RNN便不是事儿:-)。
RNN的基本结构
首先有请读者看看我们的递归神经网络的容貌:
乍一看,好复杂的大家伙,没事,老样子,看我如何慢慢将其拆解,正所谓见招拆招,我们来各个击破。
上图左侧是递归神经网络的原始结构,如果先抛弃中间那个令人生畏的闭环,那其实就是简单”输入层=>隐藏层=>输出层”的三层结构,我们在多层感知器的介绍中已经非常熟悉,然而多了一个非常陌生的闭环,也就是说输入到隐藏层之后,隐藏层还会给自己也来一发,环环相扣,晕乱复杂。
我们知道,一旦有了环,就会陷入“先有蛋还是先有鸡”的逻辑困境,为了跳出困境我们必须人为定义一个起始点,按照一定的时间序列规定好计算顺序,做到有条不紊,于是实际上我们会将这样带环的结构展开成一个序列网络,也就是上图右侧被“unfold”之后的结构。先别急着能理解RNN,我们来点轻松的,先介绍这样的序列化网络结构包含的参数记号:
- 网络某一时刻的输入
xt ,和之前介绍的多层感知器的输入一样,xt 是一个n 维向量,不同的是递归网络的输入将是一整个序列,也就是x=[x1,...,xt−1,xt,xt+1,...xT] ,对于语言模型,每一个xt 将代表一个词向量,一整个序列就代表一句话。 ht 代表时刻t 的隐藏状态ot 代表时刻t 的输出- 输入层到隐藏层直接的权重由
U 表示,它将我们的原始输入进行抽象作为隐藏层的输入 - 隐藏层到隐藏层的权重
W ,它是网络的记忆控制者,负责调度记忆。 - 隐藏层到输出层的权重
V ,从隐藏层学习到的表示将通过它再一次抽象,并作为最终输出。
RNN的Forward阶段
上一小节我们简单了解了网络的结构,并介绍了其中一些记号,是时候介绍它具体的运作过程了。首先在
值得注意的是,我们说递归神经网络拥有记忆能力,而这种能力就是通过
RNN的Backward阶段
上一小节我们说到了RNN如何做序列化预测,也就是如何一步步预测出
其实没有多大新意,我们还是利用在之前讲解多层感知器和卷积神经网络用到的backpropagation方法。也就是将输出层的误差
由于是序列化预测,那么对于每一时刻
回忆之前我们介绍多层感知器的backprop算法,我们知道算法的trick是定义一个
之前我们推导过,只要关注当前层次发射出去的链接即可,也就是
只要计算出所有的
其中
RNN的训练困难
虽然上一节中,我们强调了RNN的训练程序和MLP没太大差异,虽然写程序容易,但是训练起来却是千难万阻。为什么呢?因为我们的网络是根据输入而展开的,输入越长,展开的网络越深,那么对于“深度”网络训练有什么困难呢?最常见的是“gradient explode”和“gradient vanish”。这种问题在RNN中如何体现呢?为了强调这个问题,我们模仿Yoshua Bengio的论文《On the difficulty of training recurrent neural networks》的推导,重写一下RNN的梯度求解过程,为了推导方便,我们人为地为
假如对于时刻
反复运用链式法则,我们可以求出每一个
其中
为了克服”gradient vanish”的问题,LSTM和GRU模型便后续被推出了,为什么LSTM和GRU可以克服gradient vanish问题呢?由于它们都有特殊的方式存储”记忆”,那么以前gradient比较大的”记忆”不会像简单的RNN一样马上被抹除,因此可以一定程度上克服gradient vanish问题。
另一个简单的技巧可以用来克服gradient explode的问题就是gradient clipping,也就是当你计算的gradient超过阈值
上图所示是RNN的Error Sufface,可以看到RNN的Error Sufface要么非常陡峭,要么非常平坦,如果不采取任何措施,当你的参数在某一次更新之后,刚好碰到陡峭的地方,此时gradient变得非常大,那么你的参数更新也会非常大,很容易导致震荡问题。而如果你采取了gradient clipping这个技巧,那么即使你不幸碰到陡峭的地方,gradient也不会explode,因为被你限制在某个阈值
有趣的是,正是因为训练深度网络的困难,才导致神经网络这种古老模型沉寂了几十年,不过现在硬件的发展,训练数据的增多,神经网络重新得以复苏,并以重新以深度学习的外号杀出江湖。
- 递归神经网络
- 递归神经网络
- RNN-递归神经网络
- 递归神经网络 RNN 图解
- 不可思议的递归神经网络
- RNTN-递归张量神经网络
- 递归神经网络(RNN)简介
- 深入探究递归神经网络
- 递归神经网络(RNN)简介
- 早期递归神经网络初探
- 递归神经网络资料总结
- 递归神经网络(RNN)
- chapter3 递归神经网络
- RNN递归神经网络
- 递归神经网络问题整理
- Tensorflow教程-递归神经网络
- 递归神经网络(RNN)简介
- 递归神经网络--代码实现
- 浅谈人工智能:现状、任务、构架与统一 | 正本清源
- FileProvider共享文件、缓存的使用
- 并发编程工具之五:Future和Callable 使用
- windows代码设置默认音频输出设备
- 退出vim常用方法
- 递归神经网络
- 高斯消元的浮点数模板
- 圣思园『知识星球』开启
- 二叉树总结
- GIT常用命令
- i++与++i
- 任务就绪表及任务调度
- Sublime Text 3 编译运行java
- p219 14.输入10个同学的5门课成绩,分别用函数实现。。。