歡迎來到循環(huán)神經(jīng)網(wǎng)絡(luò)的插圖指南。我是邁克爾，也被稱為LearnedVector，我是AI語音領(lǐng)域的機器學(xué)習(xí)工程師。如果你剛剛開始使用ML并希望在Recurrent神經(jīng)網(wǎng)絡(luò)背后獲得一些直覺，那么這篇文章就適合你。

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種強大的技術(shù)，如果你想進入機器學(xué)習(xí)，那么理解它就變得非常重要了。如果你使用智能手機或經(jīng)常上網(wǎng)，那么你會經(jīng)常使用RNN的應(yīng)用程序。因為循環(huán)神經(jīng)網(wǎng)絡(luò)已經(jīng)被用于語音識別、語言翻譯、股票預(yù)測等等，它甚至用于圖像識別來描述圖片中的內(nèi)容。

所以我知道有許多關(guān)于循環(huán)神經(jīng)網(wǎng)絡(luò)的指南，但我想以分享插圖的方式解釋我是如何理解它的。我將避免講它背后的數(shù)學(xué)知識，而專注于RNN背后的真實的含義。通過閱讀這篇文章，你應(yīng)該對RNN有一個很好的理解。

序列數(shù)據(jù)

RNN是神經(jīng)網(wǎng)絡(luò)中的一種，它擅長對序列數(shù)據(jù)進行建模處理。要理解這意味著什么，讓我們做一個小實驗。假設(shè)你拍攝了一張球在時間上移動的靜態(tài)快照。

我們還要說你想預(yù)測球的移動方向。因此，只有你在屏幕上看到的信息，你才能做到這一點。但是你可以猜測，但你提出的任何答案都是隨機的猜測。如果不知道球的位置，就沒有足夠的數(shù)據(jù)來預(yù)測球的位置。

如果你連續(xù)記錄球位置的快照，那么你將有足夠的信息來做出更好的預(yù)測。

所以這是一個序列，一個特定的順序，其中是一個事物跟隨另一個事物。有了這些信息，你現(xiàn)在可以看到球向右移動。

序列數(shù)據(jù)有很多種形式。音頻是一種自然的序列，你可以將音頻頻譜圖分成塊并將其饋入RNN。

音頻頻譜圖切成塊

文本也是一種形式的序列，你可以將文本分成一系列字符或一系列單詞。

順序存儲

現(xiàn)在我們知道了RNN擅長處理預(yù)測的序列數(shù)據(jù)，但是它是如何實現(xiàn)的呢？

它通過我喜歡稱為順序存儲的概念來做到這一點。獲得順序存儲的能力意味著什么？我們通過一個小例子來說明它。

我想邀請你說出你腦海中的字母。

這很簡單吧，如果你被教了這個特定的序列，你應(yīng)該能夠很快記起它。

那么現(xiàn)在嘗試反著說這些字母。

我敢打賭，這要困難得多。除非你之前練過這個特定的序列，否則你可能會遇到困難。

現(xiàn)在來一個更有趣的，咱們從字母F開始。

首先，你會在前幾個字母上掙扎，但是在你的大腦拿起圖案后，剩下的就會自然而然。

因此，有一個非常合乎邏輯的原因是困難的。你將字母表作為序列學(xué)習(xí)，順序存儲是一種使大腦更容易識別序列模式的機制。

遞歸神經(jīng)網(wǎng)絡(luò)

這樣咱們就可以知道RNN有順序存儲的這個抽象概念，但是RNN如何學(xué)習(xí)這個概念呢？那么，讓我們來看一個傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，也稱為前饋神經(jīng)網(wǎng)絡(luò)。它有輸入層，隱藏層和輸出層。

我們?nèi)绾斡?xùn)練一個前饋神經(jīng)網(wǎng)絡(luò)，以便能夠使用以前的信息來影響以后的信息呢？如果我們在神經(jīng)網(wǎng)絡(luò)中添加一個可以傳遞先前信息的循環(huán)它將會變成什么呢？

這基本上就是一個遞歸神經(jīng)網(wǎng)絡(luò)了。RNN讓循環(huán)機制充當(dāng)高速公路以允許信息從一個步驟流到下一個步驟。

將隱藏狀態(tài)傳遞給下一個步驟

此信息是隱藏狀態(tài)，它是先前輸入的表示。讓我們通過一個RNN用例來更好地理解它是如何工作的。

假設(shè)我們想要構(gòu)建一個聊天機器人，以為它們現(xiàn)在非常受歡迎。假設(shè)聊天機器人可以根據(jù)用戶輸入的文本對意圖進行分類。

對用戶輸入的意圖進行分類

為了解決這個問題。首先，我們將使用RNN對文本序列進行編碼。然后，我們將RNN輸出饋送到前饋神經(jīng)網(wǎng)絡(luò)中，該網(wǎng)絡(luò)將對用戶輸入意圖進行分類。

假設(shè)用戶輸入：what time is it？首先，我們將句子分解為單個單詞。RNN按順序工作，所以我們一次只能輸入一個字。

將一個句子分成單詞序列

第一步是將“What”輸入RNN，RNN編碼“what”并產(chǎn)生輸出。

對于下一步，我們提供單詞“time”和上一步中的隱藏狀態(tài)。RNN現(xiàn)在有關(guān)于“what”和“time”這兩個詞的信息。

我們重復(fù)這個過程，直到最后一步。你可以通過最后一步看到RNN編碼了前面步驟中所有單詞的信息。

由于最終輸出是從序列的部分創(chuàng)建的，因此我們應(yīng)該能夠獲取最終輸出并將其傳遞給前饋層以對意圖進行分類。

對于那些喜歡在這里查看代碼的人來說，使用python展示了控制流程應(yīng)該是最好的方式。

RNN控制流的偽代碼

首先，初始化網(wǎng)絡(luò)層和初始隱藏狀態(tài)。隱藏狀態(tài)的形狀和維度將取決于你的遞歸神經(jīng)網(wǎng)絡(luò)的形狀和維度。然后循環(huán)輸入，將單詞和隱藏狀態(tài)傳遞給RNN。RNN返回輸出和修改的隱藏狀態(tài)，接著就繼續(xù)循環(huán)。最后，將輸出傳遞給前饋層，然后返回預(yù)測。整個過程就是這樣！進行遞歸神經(jīng)網(wǎng)絡(luò)的正向傳遞的控制流程是for循環(huán)。

梯度消失

你可能已經(jīng)注意到隱藏狀態(tài)中奇怪的顏色分布。這是為了說明RNN被稱為短期記憶的問題。

RNN的最終隱藏狀態(tài)

短期記憶問題是由臭名昭著的梯度消失問題引起的，這在其他神經(jīng)網(wǎng)絡(luò)架構(gòu)中也很普遍。由于RNN處理很多步驟，因此難以保留先前步驟中的信息。正如你所看到的，在最后的時間步驟中，“what”和“time”這個詞的信息幾乎不存在。短期記憶和梯度消失是由于反向傳播的性質(zhì)引起的，反向傳播是用于訓(xùn)練和優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法。為了理解這是為什么，讓我們來看看反向傳播對深度前饋神經(jīng)網(wǎng)絡(luò)的影響。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)有三個主要步驟。首先，它進行前向傳遞并進行預(yù)測。其次，它使用損失函數(shù)將預(yù)測與基礎(chǔ)事實進行比較。損失函數(shù)輸出一個錯誤值，該錯誤值是對網(wǎng)絡(luò)執(zhí)行得有多糟糕的估計。最后，它使用該誤差值進行反向傳播，計算網(wǎng)絡(luò)中每個節(jié)點的梯度。

梯度是用于調(diào)整網(wǎng)絡(luò)內(nèi)部權(quán)重的值從而更新整個網(wǎng)絡(luò)。梯度越大，調(diào)整越大，反之亦然，這也就是問題所在。在進行反向傳播時，圖層中的每個節(jié)點都會根據(jù)漸變效果計算它在其前面的圖層中的漸變。因此，如果在它之前對層的調(diào)整很小，那么對當(dāng)前層的調(diào)整將更小。

這會導(dǎo)致漸變在向后傳播時呈指數(shù)級收縮。由于梯度極小，內(nèi)部權(quán)重幾乎沒有調(diào)整，因此較早的層無法進行任何學(xué)習(xí)。這就是消失的梯度問題。

梯度向后傳播時收縮

讓我們看看這如何適用于遞歸神經(jīng)網(wǎng)絡(luò)。你可以將循環(huán)神經(jīng)網(wǎng)絡(luò)中的每個時間步驟視為一個層。為了訓(xùn)練一個遞歸神經(jīng)網(wǎng)絡(luò)，你使用了一種稱為通過時間反向傳播的方法。這樣梯度值在每個時間步長傳播時將呈指數(shù)級收縮。

隨著時間的推移，梯度會收縮

同樣，梯度值將用于在神經(jīng)網(wǎng)絡(luò)權(quán)重中進行調(diào)整，從而允許其學(xué)習(xí)。小的漸變意味著小的調(diào)整。這將導(dǎo)致最前面的層沒有優(yōu)化。

由于梯度消失，RNN不會跨時間步驟學(xué)習(xí)遠程依賴性。這意味著在嘗試預(yù)測用戶的意圖時，有可能不考慮“what”和“time”這兩個詞。然后網(wǎng)絡(luò)就可能作出的猜測是“is it？”。這很模糊，即使是人類也很難辨認這到底是什么意思。因此，無法在較早的時間步驟上學(xué)習(xí)會導(dǎo)致網(wǎng)絡(luò)具有短期記憶。

LSTM和GRU

RNN會受到短期記憶的影響，那么我們?nèi)绾螒?yīng)對呢？為了減輕短期記憶的影響，研究者們創(chuàng)建了兩個專門的遞歸神經(jīng)網(wǎng)絡(luò)，一種叫做長短期記憶或簡稱LSTM。另一個是門控循環(huán)單位或GRU。LSTM和GRU本質(zhì)上就像RNN一樣，但它們能夠使用稱為“門”的機制來學(xué)習(xí)長期依賴。這些門是不同的張量操作，可以學(xué)習(xí)添加或刪除隱藏狀態(tài)的信息。由于這種能力，短期記憶對他們來說不是一個問題。如果你想了解有關(guān)LSTM和GRU的更多信息，你可以在其上查看我的插圖視頻。

總結(jié)

總而言之，RNN適用于處理序列數(shù)據(jù)以進行預(yù)測，但卻會受到短期記憶的影響。vanilla RNN的短期存儲問題并不意味著要完全跳過它們并使用更多進化版本，如LSTM或GRU。RNN具有更快訓(xùn)練和使用更少計算資源的優(yōu)勢，這是因為要計算的張量操作較少。當(dāng)你期望對具有長期依賴的較長序列建模時，你應(yīng)該使用LSTM或GRU。

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的如何深度理解RNN？——看图就好！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。