神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的載體，而神經(jīng)網(wǎng)絡(luò)模型中，最經(jīng)典非RNN模型所屬，盡管它不完美，但它具有學(xué)習(xí)歷史信息的能力。后面不管是encode-decode 框架，還是注意力模型，以及自注意力模型，以及更加強(qiáng)大的Bert模型家族，都是站在RNN的肩上，不斷演化、變強(qiáng)的。

這篇文章，闡述了RNN的方方面面，包括模型結(jié)構(gòu)，優(yōu)缺點(diǎn)，RNN模型的幾種應(yīng)用，RNN常使用的激活函數(shù)，RNN的缺陷，以及GRU，LSTM是如何試圖解決這些問題，RNN變體等。

這篇文章最大特點(diǎn)是圖解版本，其次語言簡練，總結(jié)全面。

概述

傳統(tǒng)RNN的體系結(jié)構(gòu)。Recurrent neural networks，也稱為RNNs，是一類允許先前的輸出用作輸入，同時(shí)具有隱藏狀態(tài)的神經(jīng)網(wǎng)絡(luò)。它們通常如下所示：

對(duì)于每一時(shí)步, 激活函數(shù) ，輸出被表達(dá)為：

這里是時(shí)間維度網(wǎng)絡(luò)的共享權(quán)重系數(shù) ?是激活函數(shù)

下表總結(jié)了典型RNN架構(gòu)的優(yōu)缺點(diǎn)：

RNNs應(yīng)用

RNN模型主要應(yīng)用于自然語言處理和語音識(shí)別領(lǐng)域。下表總結(jié)了不同的應(yīng)用：

損失函數(shù) 對(duì)于RNN網(wǎng)絡(luò)，所有時(shí)間步的損失函數(shù) 是根據(jù)每個(gè)時(shí)間步的損失定義的，如下所示：

時(shí)間反向傳播

在每個(gè)時(shí)間點(diǎn)進(jìn)行反向傳播。在時(shí)間步，損失相對(duì)于權(quán)重矩陣的偏導(dǎo)數(shù)表示如下：

處理長短依賴

常用激活函數(shù)

RNN模塊中最常用的激活函數(shù)描述如下：

梯度消失/爆炸

在RNN中經(jīng)常遇到梯度消失和爆炸現(xiàn)象。之所以會(huì)發(fā)生這種情況，是因?yàn)楹茈y捕捉到長期的依賴關(guān)系，因?yàn)槌朔ㄌ荻瓤梢噪S著層的數(shù)量呈指數(shù)遞減/遞增。

梯度修剪 梯度修剪是一種技術(shù)，用于執(zhí)行反向傳播時(shí)，有時(shí)遇到的梯度爆炸問題。通過限制梯度的最大值，這種現(xiàn)象在實(shí)踐中得以控制。

門的類型

為了解決消失梯度問題，在某些類型的RNN中使用特定的門，并且通常有明確的目的。它們通常標(biāo)注為，等于：

其中，是特定于門的系數(shù)，是sigmoid函數(shù)。主要內(nèi)容總結(jié)如下表：

GRU/LSTM Gated Recurrent Unit（GRU）和長-短期記憶單元（LSTM）處理傳統(tǒng)RNNs遇到的消失梯度問題，LSTM是GRU的推廣。下表總結(jié)了每種結(jié)構(gòu)的特征方程：

注：符號(hào)表示兩個(gè)向量之間按元素相乘。

RNN的變體

下表總結(jié)了其他常用的RNN模型：

原文標(biāo)題：神經(jīng)網(wǎng)絡(luò)RNN圖解

文章出處：【微信公眾號(hào)：Imagination Tech】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯:haq