TensorFlow实战——RNN

http://blog.csdn.net/u011239443/article/details/73136866

RNN

循环神经网络（RNN）的特殊的地方在于它保存了自己的状态，每次数据输入都会更新状态，输出预测值，并输出更新后的状态，和批数据一起作为输入：

这里写图片描述

如上图，U为数据输入，V为预测值输出，W为状态值输出并输入下一轮。 由于现实中不能无限的迭代下去，我们将其展开，并在有限次迭代后结束：

这里写图片描述

例子

RNN的状态是通过一个向量来表示的，设该向量的维度为n，输入数据x的维度为m，则参数个数为(n+m)∗n+n+n∗m+m(n+m)*n+n+n*m+m。我们来举个例子,n=2,m=1n=2,m=1。

第1轮

设一开始的状态为w0=(0,0)w_0 = (0,0) , x1=(1)x_1=(1) , RNN 和将其合并成一个向量y1=(0,0,1)y_1 = (0,0,1) ，则参数矩阵A1A_1 为一个(n+m)∗n(n+m)*n即3∗23*2的矩阵。设：

A1=⎡⎣⎢⎢0.10.30.50.20.40.6⎤⎦⎥⎥ \begin{equation} A_1=\left[ \begin{matrix} 0.1&0.2\\ 0.3&0.4\\ 0.5&0.6 \end{matrix} \right] \end{equation}

设，维度为n偏置向量：b1=(0.1,−0.1)b_1=(0.1,-0.1)

w1=y1∗A1+b1=(0.537,0.462)\large \color{blue}{w_1 = y_1*A_1+b_1 = (0.537,0.462)}

即，输出到下一轮的状态向量为(0.537,0.462)，而在这轮该状态还会与参数n∗mn*m参数矩阵A2A_2相乘，再加上偏置向量m的偏置向量b2b_2。设：

A2=[12] \begin{equation} A_2=\left[ \begin{matrix} 1\\ 2 \end{matrix} \right] \end{equation}

b2=(0.1)b_2=(0.1)

o1=w1∗A2+b2=(1.56)\large \color{blue}{o_1 = w_1*A_2+b_2 = (1.56)}

第2轮

设x2=2x_2 = 2， y2y_2为w1 w_1和x2x_2合并，即 (0.54,0.46,2)

w2=y2∗A1+b1=(0.860,0.884)\large \color{blue}{w_2 = y_2*A_1+b_1 = (0.860,0.884)}

o2=w2∗A2+b2=(2.73)\large \color{blue}{o_2 = w_2*A_2+b_2 = (2.73)}

RNN扩展

双向RNN

顾名思义，双向的状态传播：

这里写图片描述

深度RNN

这里写图片描述

要注意的是，RNN的dropout不会在深度方向上使用，只会在状态输出到下一轮的时候使用。