循环神经网络（一） ——循环神经网络模型与反向传播算法

循环神经网络（一）

——循环神经网络模型与反向传播算法

（原创内容，转载请注明来源，谢谢）

一、概述

这一章开始讲循环神经网络（RNN，Recurrent Neural Network），是与卷积神经网络不同的神经网络结构，重点处理的是序列数据。

主要应用场景，在于语音处理、文字处理，包括翻译、情感分析、词法识别、音乐创作、语音识别等。

二、数学符号

对于后面会大量用到的数学符号，这里提前描述。

这里假设某一个输入样本是一句话，分为若干个单词，则第一个单词标记为x<1>，第二个标记为x<2>，以此类推。输出的为y<1>，y<2>等。该样本单词总数为Tx，输出总数为Ty。

输出的y，每一个标记对应的输入的结果，根据需求可以是二分类或多分类，下图表示识别到输入的单词对应的单词表的位置的值为1，其他地方的值为0。

三、使用RNN原因

使用RNN，而不是用标准的神经网络，主要原因如下：

1、输入、输出的长度可以不一样，可以只有一个输入而有多个输出，也可以有多个输入只有一个输出等。

2、对于输入的内容而言，单个样本，输入的一串内容，大部分情况下是有前后关联的，如一句话的前后单词之间的关联。这种关联，换到另一个输入样本，即另一句话的时候，未必在同一个位置。

例如第一句话的前两个单词组成一个词语，第二句话前两个单词可能不能组成词语。

这个特点是至关重要的，直接导致无法使用传统的神经网络，因为对于每个样本的训练都不一样。

四、RNN

1、RNN结构

RNN不是把输入的x都放在第一层，而是每一层放一个输入，每一层都可以有输出，下一层的输出取决于上一层的输出以及本层的输入。

这里有几个共用参数，Waa、Wax、Wya，字母的含义，W即参数系数，以Wax为例，a表示这个W是用于计算a的，x表示这个W后面需要乘以矩阵x。

对于整个RNN，Waa、Wax、Wya的值都是唯一的，即这三个值在每一层都是共用的。

下图是RNN的两种结构图画法。

这里的RNN是单向的RNN，即后面一层感知前面一层的输出，而前面一层对后面层次的输出无感知。这样可能会有缺点，需要双向RNN（BRNN，bidirecctional RNN），后续会学习到。

2、单向RNN的前向传播

由于是单向RNN，因此只有后层对前面一层的感知。这里第一层之前，加了一个a<0>，是一个初始化的参数，可以是0向量。

具体公式如下图所示，其中对于a的激活函数g，常用tanh，有时也用relu；而对于y，由于是分类函数，因此常用sigmoid。

这里计算a时，用到了上一层的a和这一层的x，为了计算简便，可以合并计算，如下图所示：

3、单向RNN的反向传播

这里的反向传播，即从损失函数开始，逐层往前的反向传播。其中，损失函数的定义，和logistic回归的损失函数定义方式一致。

4、各种RNN结构

上面的例子，是样本输入数量和输出数量一致的多对多的RNN，除此之外，还有其他的RNN形式，如下：

其中，一对多的RNN主要用在音乐创作等，如输入一个数字表示要某种感情的音乐，输出一个序列。

多对一的RNN主要用在语句情感分析，根据输入的序列，分析语句的情感，并且用数字返回情感类型。

多对多有两种形式：输入输出一样的多对多，常用于语句分析、单词提取分析等；而先输入后输出的多对多，常用于翻译等，这里的输入模块称为编码器，输出模块称为解码器。

——written by linhxx 2018.03.15