RNN的基础知识

本文已参与「新人创作礼」活动，一起开启掘金创作之路。

Introduction to RNN

在传统的前馈神经网络中，我们假定所有的输入（和输出）相互之间都是独立的。因此，前馈神经网络不能记住最近的历史训练信息，于是在处理序列模型时效果不佳。循环神经网络的提出就是为了解决这个问题的（Jordan et al. 1986, Elman et al. 1990）。RNN可以通过在隐藏层维护一个“状态向量”来充分利用序列的信息，状态向量可以隐式地包含序列中的所有元素。 RNN模型的输入是一个序列，这个模型一步处理序列中的一个元素。在计算完每一步后，更新的状态向量会传递给下一步的计算过程。下图是一个典型的RNN模型：

一个隐藏层单元数为1的RNN模型（左）以及它的在时间上的展开形式（右） $t$时刻隐藏层的状态$s_t$ 的输入来自$t$时刻的输入值$x_t$ 和$t-1$时刻的状态 $s_{t-1}$。 通过这种方式，RNN模型可将输入序列 $\left\{ x_t \right\}$ 映射到输出序列 $\left\{ o_t \right\}$, 其中每个输出 $o_t$ 取决于所有的输入 $x_{t'}$($t'\leq t$)

然而，理论和实践都表明RNN很难学习到长期的依赖关系(Bengio et al, 1994)，因为当你利用基于梯度的方法来训练时，梯度会消失或爆炸。为了解决这个问题，一种更复杂的RNN模型——LSTM网络被提出来了.

Introduction to LSTM

所有的RNN都具有包含重复模块的链式结构网络。在RNN中，这种重复模块比较简单，例如通常为一个tanh函数。 LSTM也有这种链式结构, 但是它的重复模块的结构比标准的RNN要复杂许多，有4个小的结构。 通过合理地组织和开启一种称为“门”的结构，LSTM可以学习到它应该学习多久的信息, 什么时候开始遗忘, 什么时候学习新的信息, 以及如何将旧的信息和新的输入合理地结合起来。

关于上图中LSTM结构的详细介绍见 Understanding LSTM Networks.

LSTM Variants

LSTM有许多变种，其中一种就是将输入门和遗忘门结合起来。 Gated Recurrent Unit(GRU) 就是这样的一个例子。它将输入门和遗忘门合并成一个更新门，并且它把隐藏层状态和细胞状态合并起来。