文章來源于磐創AI，作者VK

---

? 磐創AI分享??

作者 | Renu Khandelwal?

編譯 | VK?

來源 | Medium

我們從以下問題開始

• 循環神經網絡能解決人工神經網絡和卷積神經網絡存在的問題。

• 在哪里可以使用RNN？

• RNN是什么以及它是如何工作的？

• 挑戰RNN的消梯度失和梯度爆炸

• LSTM和GRU如何解決這些挑戰

假設我們正在寫一條信息“Let’s meet for___”，我們需要預測下一個單詞是什么。下一個詞可以是午餐、晚餐、早餐或咖啡。我們更容易根據上下文作出推論。假設我們知道我們是在下午開會，并且這些信息一直存在于我們的記憶中，那么我們就可以很容易地預測我們可能會在午餐時見面。

當我們需要處理需要在多個時間步上的序列數據時，我們使用循環神經網絡（RNN）

傳統的神經網絡和CNN需要一個固定的輸入向量，在固定的層集上應用激活函數產生固定大小的輸出。

例如，我們使用128×128大小的向量的輸入圖像來預測狗、貓或汽車的圖像。我們不能用可變大小的圖像來做預測

現在，如果我們需要對依賴于先前輸入狀態（如消息）的序列數據進行操作，或者序列數據可以在輸入或輸出中，或者同時在輸入和輸出中，而這正是我們使用RNNs的地方，該怎么辦。

在RNN中，我們共享權重并將輸出反饋給循環輸入，這種循環公式有助于處理序列數據。

RNN利用連續的數據來推斷誰在說話，說什么，下一個單詞可能是什么等等。

RNN是一種神經網絡，具有循環來保存信息。RNN被稱為循環，因為它們對序列中的每個元素執行相同的任務，并且輸出元素依賴于以前的元素或狀態。這就是RNN如何持久化信息以使用上下文來推斷。

RNN是一種具有循環的神經網絡

RNN在哪里使用？

前面所述的RNN可以有一個或多個輸入和一個或多個輸出，即可變輸入和可變輸出。

RNN可用于

• 分類圖像

• 圖像采集

• 機器翻譯

• 視頻分類

• 情緒分析

RNN是如何工作的？

先解釋符號。

• h是隱藏狀態

• x為輸入

• y為輸出

• W是權重

• t是時間步長

當我們在處理序列數據時，RNN在時間步t上取一個輸入x。RNN在時間步t-1上取隱藏狀態值來計算時間步t上的隱藏狀態h并應用tanh激活函數。我們使用tanh或ReLU來表示輸出和時間t的非線性關系。

將RNN展開為四層神經網絡，每一步共享權值矩陣W。

隱藏狀態連接來自前一個狀態的信息，因此充當RNN的記憶。任何時間步的輸出都取決于當前輸入以及以前的狀態。

與其他對每個隱藏層使用不同參數的深層神經網絡不同，RNN在每個步驟共享相同的權重參數。

我們隨機初始化權重矩陣，在訓練過程中，我們需要找到矩陣的值，使我們有理想的行為，所以我們計算損失函數L。損失函數L是通過測量實際輸出和預測輸出之間的差異來計算的。用交叉熵函數計算L。

RNN，其中損失函數L是各層所有損失的總和

為了減少損失，我們使用反向傳播，但與傳統的神經網絡不同，RNN在多個層次上共享權重，換句話說，它在所有時間步驟上共享權重。這樣，每一步的誤差梯度也取決于前一步的損失。

在上面的例子中，為了計算第4步的梯度，我們需要將前3步的損失和第4步的損失相加。這稱為通過Time-BPPT的反向傳播。

我們計算誤差相對于權重的梯度，來為我們學習正確的權重，為我們獲得理想的輸出。

因為W在每一步中都被用到，直到最后的輸出，我們從t=4反向傳播到t=0。在傳統的神經網絡中，我們不共享權重，因此不需要對梯度進行求和，而在RNN中，我們共享權重，并且我們需要在每個時間步上對W的梯度進行求和。

在時間步t=0計算h的梯度涉及W的許多因素，因為我們需要通過每個RNN單元反向傳播。即使我們不要權重矩陣，并且一次又一次地乘以相同的標量值，但是時間步如果特別大，比如說100個時間步，這將是一個挑戰。

如果最大奇異值大于1，則梯度將爆炸，稱為爆炸梯度。

如果最大奇異值小于1，則梯度將消失，稱為消失梯度。

權重在所有層中共享，導致梯度爆炸或消失

對于梯度爆炸問題，我們可以使用梯度剪裁，其中我們可以預先設置一個閾值，如果梯度值大于閾值，我們可以剪裁它。

為了解決消失梯度問題，常用的方法是使用長短期記憶（LSTM）或門控循環單元（GRU）。

在我們的消息示例中，為了預測下一個單詞，我們需要返回幾個時間步驟來了解前面的單詞。我們有可能在兩個相關信息之間有足夠的差距。隨著差距的擴大，RNN很難學習和連接信息。但這反而是LSTM的強大功能。

長短時記憶網絡（LSTM）

LSTMs能夠更快地學習長期依賴關系。LSTMs可以學習跨1000步的時間間隔。這是通過一種高效的基于梯度的算法實現的。

為了預測消息中的下一個單詞，我們可以將上下文存儲到消息的開頭，這樣我們就有了正確的上下文。這正是我們記憶的工作方式。

讓我們深入了解一下LSTM架構，了解它是如何工作的

LSTMs的行為是在很長一段時間內記住信息，因此它需要知道要記住什么和忘記什么。

LSTM使用4個門，你可以將它們認為是否需要記住以前的狀態。單元狀態在LSTMs中起著關鍵作用。LSTM可以使用4個調節門來決定是否要從單元狀態添加或刪除信息。

這些門的作用就像水龍頭，決定了應該通過多少信息。

LSTM的第一步是決定我們是需要記住還是忘記單元的狀態。遺忘門使用Sigmoid激活函數，輸出值為0或1。遺忘門的輸出1告訴我們要保留該值，值0告訴我們要忘記該值。

第二步決定我們將在單元狀態中存儲哪些新信息。這有兩部分：一部分是輸入門，它通過使用sigmoid函數決定是否寫入單元狀態；另一部分是使用tanh激活函數決定有哪些新信息被加入。

在最后一步中，我們通過組合步驟1和步驟2的輸出來創建單元狀態，步驟1和步驟2的輸出是將當前時間步的tanh激活函數應用于輸出門的輸出后乘以單元狀態。Tanh激活函數給出-1和+1之間的輸出范圍

單元狀態是單元的內部存儲器，它將先前的單元狀態乘以遺忘門，然后將新計算的隱藏狀態（g）乘以輸入門i的輸出。

最后，輸出將基于單元狀態

從當前單元狀態到前一單元狀態的反向傳播只有遺忘門的單元相乘，沒有W的矩陣相乘，這就利用單元狀態消除了消失和爆炸梯度問題

LSTM通過決定忘記什么、記住什么、更新哪些信息來決定何時以及如何在每個時間步驟轉換記憶。這就是LSTMs如何幫助存儲長期記憶。

以下LSTM如何對我們的消息進行預測的示例

GRU，LSTM的變體

GRU使用兩個門，重置門和一個更新門，這與LSTM中的三個步驟不同。GRU沒有內部記憶

重置門決定如何將新輸入與前一個時間步的記憶相結合。

更新門決定了應該保留多少以前的記憶。更新門是我們在LSTM中理解的輸入門和遺忘門的組合。

GRU是求解消失梯度問題的LSTM的一個簡單變種

原文鏈接：https://medium.com/datadriveninvestor/recurrent-neural-network-rnn-52dd4f01b7e8

?------------------------------------------------

看到這里，說明你喜歡這篇文章，請點擊「在看」或順手「轉發」「點贊」。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群請掃碼進群：

總結

以上是生活随笔為你收集整理的【深度学习】循环神经网络（RNN）简易教程的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。