本文共 2292 字,大约阅读时间需要 7 分钟。
1. 应用实例(为什么需要RNN?)
槽位填充
通过Feedforward网络解决槽位填充问题? 输入:一个单词(每一个词都用一个向量表示)
输出:属于槽的输入字的概率分布情况
注:如何将每个单词表示为一个向量?
- 1-of-N encoding 矢量是词库大小,每一个维度都对应着词典中的一个词,该词的维度为1,其他维度为0。
- Beyond 1-of-N encoding Dimension for “Other” Word hashing
前向网络问题:
- arrive Taipei on November 2nd
- leave Taipei on November 2nd
希望神经网络在输入Taipei 的时候记住前一个词’leave’或者’arrive’,这就是RNN
2. RNN基本概念
隐藏层的输出存储在存储器中,记忆可以被认为是另一种输入
假设所有的权重都是 “1”,没有bias,所有激活函数都是线性的,结果如下图所示:
改变序列顺序将改变输出!
对于以上填充槽问题,同样的网络一用再用:
当然,它可以深…
艾尔曼(Elman)网络和约旦(Jordan)网络(有更好的表现)
双向(Bidirectional)RNN
3. Long Short-term Memory (LSTM)
仔细来看,LSTM形式如下:
激活函数f通常是一个sigmoid函数,在0和1之间,模仿开关门(注:forget gate打开是记得,关上是遗忘)
有一个LSTM的例子,如下:
- 当x2=1时,将x1的数字加到存储器中
- 当x2=-1时,重置内存
- 当x3=1时,输出存储器中的数字
更具体的例子在的28:16,如下:
LSTM和以前学的神经网络有什么关系呢? 原网络:
只需将神经元替换为LSTM即可:
LSTM和RNN关系是什么呢? 把一排LSTM接起来,组成vector:
多层LSTM,这是相当标准的了:
不要担心,如果你不能理解这一点,Keras可以处理。Keras支持"LSTM"、“GRU”(LSTM的简化版本)、"SimpleRNN "Layers
4. RNN使用
4.1 Loss function
4.2 训练方法
时间回溯传播(BPTT)
不幸的是(问题):基于RNN的网络并不总是容易学习的
误差面(error surface)很粗糙,误差面要么很平,要么很陡
为什么RNN会有这种奇怪的特性?
并不是因为使用sigmoid function导致梯度消失导致误差变化很小,下面举例说明为什么
假设:
- w = 1, y 1000 = 1 y^{1000} = 1 y1000=1
- w = 1.01, y 1000 = 20000 y^{1000} = 20000 y1000=20000 → large ∂ L / ∂ w \partial L / \partial w ∂L/∂w → 调小学习率
- w = 0.99, y 1000 = 0 y^{1000} = 0 y1000=0
- w = 0.01, y 1000 = 0 y^{1000} = 0 y1000=0 → small ∂ L / ∂ w \partial L / \partial w ∂L/∂w → 调大学习率
怎么解决?
- Long Short-term Memory (LSTM)可以处理梯度消失(不是梯度爆炸),为什么能解决?(门控循环单元(Gated Recurrent Unit, GRU):比LSTM简单 )
- 内存和输入是增加的
- 影响力永远不会消失,除非忘记门被关闭(无梯度消失(如果忘记门被打开))
- Clockwise RNN
- Structurally Constrained Recurrent Network (SCRN)
- Vanilla RNN初始化,Identity matrix + ReLU激活函数
5. RNN的应用前景
之前,输入和输出都是相同长度的序列,RNN可以做得更多!
- 多对一 输入是一个向量序列,但输出只有一个向量
- 多对多 输入和输出都是序列,但输出较短,例如:语音识别 解决办法:Connectionist Temporal Classification (CTC) ,增加一个代表 "空 "的符号 “φ”。 CTC训练,穷举所有的结果:
- 多对多(无限制) 输入和输出都是长度不同的序列→ 序列到序列的学习,如:机器翻译(machine learning→机器学习) 所以需要增加一个符号"==="(断)
- 超越序列 句法解析
- 序列到序列 自动编码器 - 文本 要理解词序的含义,不能忽视词的顺序,例如一字不差却含义不同的例子:
- white blood cells destroying an infection(positive)
- an infection destroying white blood cells(negative)
自动编码器 - 语音 变长序列的尺寸缩小
音段 (词水平)到固定长度向量
音频档案分为不同长度的音频段
RNN编码器和解码器联合训练
词的嵌入向量可视化
基于注意力的模式 基于注意力的模式v2(神经图灵机)
主要用在阅读理解中
视觉答题
语音答题
RNN v.s. Structured Learning
小结
第二次看李宏毅老师机器学习课程RNN的课程,主要对RNN的基本概念和LSTM有一个大体的回顾,以及RNN的应用方向,接下来在pytorch编程实现LSTM网络
转载地址:http://kwtrn.baihongyu.com/