RNN求解过程推导与实现

来源：互联网发布：淘宝售后客服消差评编辑：程序博客网时间：2024/05/29 16:42

RNN展开网络如下图

RNN展开结构.jpg

RNN节点结构.jpg

现令第t时刻的输入表示为,隐层节点的输出为,输出层的预测值,输入到隐层的权重矩阵,隐层自循环的权重矩阵,隐层到输出层的权重矩阵,对应的偏执向量分别表示为,输入层的某一个节点使用i标识，如,类似的隐层和输出层某一节点表示为。这里我们仅以三层网络为例。

那么首先正向计算

其中分别表示激活前对应的加权和，表示激活函数。

然后看看误差如何传递。

假设真实的输出应该是,那么误差可以定义为,是训练样本的index。整个网络的误差

我们将RNN再放大一些，看看细节

RNN节点内部连接.jpg

令则

矩阵向量化表示

所以梯度为：

其中是点乘符号，即对应元素乘。

代码实现：
我们可以注意到在计算梯度时需要用到的之前计算过的量，即需要保存的量包括，前向计算时隐层节点和输出节点的输出值，以及由时刻累积的。

这篇文章里使用python实现了基本的RNN过程。代码功能是模拟二进制相加过程中的依次进位过程，代码很容易明白。
这里改写成matlab代码

functionerror =binaryRNN( ) 
largestNumber=256; 
T=8; 
dic=dec2bin(0:largestNumber-1)-'0';% 将uint8表示成二进制数组，这是一个查找表 
%% 初始化参数 
eta=0.1;% 学习步长 
inputDim=2;% 输入维度 
hiddenDim=16; %隐层节点个数 
outputDim=1; % 输出层节点个数 
 
W=rand(hiddenDim,outputDim)*2-1;% (-1,1)参数矩阵 
U=rand(hiddenDim,hiddenDim)*2-1;% (-1,1)参数矩阵 
V=rand(inputDim,hiddenDim)*2-1;% (-1,1)参数矩阵 
 
delta_W=zeros(hiddenDim,outputDim);% 时刻间中间变量 
delta_U=zeros(hiddenDim,hiddenDim); 
delta_V=zeros(inputDim,hiddenDim); 
error=0; 
for p=1:10000 
aInt=randi(largestNumber/2); 
bInt=randi(largestNumber/2); 
a=dic(aInt+1,:); 
b=dic(bInt+1,:); 
cInt=aInt+bInt; 
c=dic(cInt+1,:); 
y=zeros(1,T); 
 
preh=zeros(1,hiddenDim); 
hDic=zeros(T,hiddenDim); 
%% 前向计算 
for t=T:-1:1% 注意应该从最低位计算，也就是二进制数组最右端开始计算 
x=[a(t),b(t)];  
h=sigmoid(x*V+preh*U); 
y(t)=sigmoid(h*W);  
hDic(t,:)=h; 
preh=h; 
end 
 
err=y-c; 
error=error+norm(err,2)/2; 
next_delta_h=zeros(1,hiddenDim); 
%% 反馈 
for t=1:T 
delta_y = err(t).*sigmoidOutput2d(y(t)); 
delta_h=(delta_y*W'+next_delta_h*U').*sigmoidOutput2d(hDic(t,:)); 
 
delta_W=delta_W+hDic(t,:)'*delta_y; 
if t<T 
delta_U=delta_U+hDic(t+1,:)'*delta_h; 
end 
delta_V=delta_V+[a(t),b(t)]'*delta_h; 
next_delta_h=delta_h;  
end 
% 梯度下降 
W=W-eta*delta_W; 
U=U-eta*delta_U; 
V=V-eta*delta_V; 
 
delta_W=zeros(hiddenDim,outputDim); 
delta_U=zeros(hiddenDim,hiddenDim); 
delta_V=zeros(inputDim,hiddenDim); 
 
ifmod(p,1000)==0 
fprintf('Samples:%d\n',p); 
fprintf('True:%d\n',cInt); 
fprintf('Predict:%d\n',bin2dec(int2str(round(y)))); 
fprintf('Error:%f\n',norm(err,2)/2); 
end 
end 
end 
 
functionsx=sigmoid(x) 
sx=1./(1+exp(-x)); 
end 
 
functiondx=sigmoidOutput2d(output) 
dx=output.*(1-output); 
end 

0 0