常见的五种神经网络(3)-循环神经网络(上)篇
转载请注明出处:https://thinkgamer.blog.csdn.net/article/details/100600661
博主微博:http://weibo.com/234654758
Github:https://github.com/thinkgamer
公众号:搜索与推荐Wiki
引言
常见的五种神经网络系列第三种,主要介绍循环神经网络,由于循环神经网络包含的内容过多,分为上中下三篇进行介绍,本文主要是循环神经网络(上)篇,主要介绍以下内容:
- 循环神经网络概述
- 如何给神经网络增加记忆能力
- 延时神经网络
- 有外部输入的非线性自回归模型
- 循环神经网络
- 一般的循环神经网络
- 单向循环神经网络
- 双向循环神经网络
- 深度循环神经网络
- 循环神经网络应用到机器学习任务
该系列的其他文章:
- 常见的五种神经网络(1)-前馈神经网络
- 常见的五种神经网络(2)-卷积神经网络
- 常见的五种神经网络(3)-循环神经网络(上篇)
- 常见的五种神经网络(3)-循环神经网络(中篇)
- 常见的五种神经网络(3)-循环神经网络(下篇)
- 常见的五种神经网络(4)-深度信念网络
- 常见的五种神经网络(5)-生成对抗网络
概述
在前馈神经网络中,信息在神经元之间的传递是单向,网络的输出只依赖于当前的输入,这样限制虽然使网络变得容易学习,但是却减弱了网络的表达能力。在很多现实任务中,网络的输出不仅和当前的输入有关,也和过去一段时间的输出相关,比如一个有限状态自动机不仅和当前的输入有关,也和当前的状态(上一步的输出)有关。如下图(图-1)
有限状态自动机称为FSM(finite state machine)或者FSA(finite state automaton)
此外,前馈神经网络难以处理时序数据,比如视频,语音,文本等。因为时序数据的长度是不固定的,而前馈神经网络要求输入和输出的维度是固定的。因此当处理这种复杂的时序数据时,就需要一种表达能力能强的模型。
循环神经网络(Recurrent Neural Network,RNN) 是一类具有短期记忆能力的神经网络,在循环神经网络中,神经元不仅可以接受其他神经元的信息,还可以接受自身的信息,形成一个环路结构。RNN的参数学习可以通过随时间反向传播算法进行学习(下文会具体介绍),随时间反向传播算法按照时间的逆序将错误信息一步步的向前传递,当输入序列时间较长时,会存在梯度消失和梯度爆炸问题(也叫长期依赖问题),为了解决这个问题,人们对RNN进行了许多改进,其中最有效的是引入门控制,比如长短期记忆网络(LSTM)和门控循环单元网络(GRU),将在(下)篇进行介绍。
如何给网络增加记忆能力
上边提到前馈神经网络是一个静态网络,不能处理时序数据,那么可以通过以下三种方法给网络增加记忆能力:
- 延时神经网络
- 有外部输入的非线性自回归模型
- 循环神经网络
延时神经网络
一种简单的利用利用历史信息的方法是建立一个额外的延时单元,用来存储网络的历史信息(比如输入,输出,隐状态等),这其中比较有代表性的就是延时神经网络(TDNN,Time Delay Neural Network)。
延时神经网络是在前馈神经网络的非输出层都添加一个延时器,记录最近几次神经元的输出,在第t个时刻,第(l+1)层的神经元和第(l)层神经元的最近p次输出有关,即(公式-1):
htl+1=f(htl,ht−1l,....,ht−p+1l)h_t^{l+1} = f(h_t^l,h_{t-1}^l,....,h_{t-p+1}^l) htl+1=f(htl,ht−1l,....,ht−p+1l)
通过延时器,前馈神经网络就具有了短期记忆的能力。
有外部输入的非线性自回归模型
自回归模型(Autoregressive Model) 是统计学中常用一类时间序列模型,用一个变量 yty_tyt 的历史信息来预测自己(公式-2)。
yt=w0+∑i=1pwp∗yt−i+εty_t = w_0 + \sum_{i=1}^{p}w_p * y_{t-i} + \varepsilon_t yt=w0+i=1∑pwp∗yt−i+εt
其中p为超参数,wpw_pwp 为参数,εt~N(0,σ2)\varepsilon_t~N(0,\sigma ^2)εt~N(0,σ2) 为第t个时刻的噪声,方差σ2\sigma^2σ2和时间t无关。
有外部输入的非线性自回归模型(Nonlinear Autoregressive Model)是自回归模型的扩展,在每个时刻t都有一个外部输入xtx_txt,产出一个输出yty_tyt,NART通过一个延时器来记录最近几次的外部输入和输出,第t个时刻的输出yty_tyt为(公式-3):
yt=f(xt,xt−1,..,xt−p,yt−1,yt−2,....,yt−q)y_t = f(x_t, x_{t-1},..,x_{t-p}, y_{t-1},y_{t-2},....,y_{t-q}) yt=f(xt,xt−1,..,xt−p,yt−1,yt−2,....,yt−q)
其中f(.)为非线性函数,可以是前馈神经网络,p和q为超参数。
循环神经网络
给定一个输入序列,x1:T=(x1,x2,...,xT)x_{1:T}=( x_1, x_2, ... , x_T )x1:T=(x1,x2,...,xT) 循环神经网络通过以下公式(公式-4)更新带反馈边的隐藏层的活性值hth_tht:
ht=(ht−1,xt)h_t = (h_{t-1}, x_t) ht=(ht−1,xt)
循环神经网络示例如下(图-2):
一般的循环神经网络
在(图-2)中展示了一个简单的循环神经网络,其整个结构分为3层:输入层,隐藏层和输出层。其中t时刻,隐藏层的状态hth_tht不仅与输入xtx_txt有关,还与上一个时刻的隐藏层状态ht−1h_{t-1}ht−1有关。
由于隐藏层多了一个自身到自身的输入,因此该层被称为循环层,(图-2)所示的为一个简单循环神经网络。循环神经网络还有多种类型,基于循环的方向划分为:
- 单向循环神经网络
- 双向循环神经网络
基于循环的深度分为:
- 循环神经网络
- 深度循环神经网络
单向循环神经网络
(图-2)所示即为一个单向的循环神经网络,对其展开后的效果图如下(图-3):
上图可以理解为网络的输入通过时间往后传递,当前隐藏层的输出hth_tht取决于当前层的输入xtx_txt和上一层的输出ht−1h_{t-1}ht−1,因此当前隐藏层的输出信息包含了之前时刻的信息,表达出对之前信息的记忆能力。单向循环神经网络表达如下(公式-5):
ot=g(V∗ht)ht=f(U∗xt+W∗ht−1)o_t = g(V*h_t) \\ h_t = f(U*x_t + W*h_{t-1}) ot=g(V∗ht)ht=f(U∗xt+W∗ht−1)
其中oto_tot为输出层的计算公式, hth_tht为隐藏层的计算公式,g(.) 和 f(.)为激活函数。值得说明的是在循环神经网络中U,V,W权重矩阵值每次循环都是一份,因此循环神经网络的每次循环步骤中,这些参数都是共享的,这也是循 环神经网络 的结构特征之一。
双向循环神经网络
在日常的信息推断中,当前信息不仅仅依赖之前的内容,也有可能会依赖后续的内容,比如英语的完形天空。这时候单向的循环神经网络就不能很好的处理,就需要 ** 双向循环神经网络(Bi-directional Recurrent Neural Network)** 。
其主要思想是训练一个分别向前和分别向后的循环神经网络,表示完整的上下文信息,两个循环 网络对应同一个输出层,因此可以理解为两个循环神经网络的叠加,对应的输出结果根据两个神经网络输出状态计算获得,将双向循环神经网络按照时间序列结构展开,如下图所示(图-4):
从上图可以看出,隐藏层需要保留两部分,一部分为由前向后的正向传递hth_tht,一部分为由后向前的反向传递ht′h'_tht′,最新的信息输出oto_tot。双向循环神经网络的表达公式如下(公式-6):
ot=g(V∗ht+V′∗ht′)ht=f(U∗xt+W∗ht−1)ht′=f(U′∗xt+W′∗ht+1′)o_t = g(V*h_t + V'*h'_t) \\ h_t = f(U*x_t + W*h_{t-1}) \\ h'_t = f(U'*x_t + W'*h'_{t+1}) ot=g(V∗ht+V′∗ht′)ht=f(U∗xt+W∗ht−1)ht′=f(U′∗xt+W′∗ht+1′)
深度循环神经网络
上边介绍的单向训练神经网络和双向循环神经网络都只有一个隐藏层,但是在实际应用中,为了增强表达能力,往往引入多个隐藏层,即深度循环神经网络,如下图所示(图-5):
同样可以得到深度循环神经网络的表达式(公式-7):
ot=g(V(i)∗ht(i)+V′(i)∗ht′(i))ht(i)=f(U(i)∗ht(i−1)+W(i)∗ht−1)ht′(i)=f(U′(i)∗ht′(i−1)+W′(i)∗ht+1′)...ht(1)=f(U(1)∗ht+W(1)∗ht−1)ht′(1)=f(U′(1)∗ht+W′(1)∗ht+1′)o_t = g(V^{(i)}*h^{(i)}_t + V'^{(i)}*h'^{(i)}_t) \\ h^{(i)}_t = f(U^{(i)}*h^{(i-1)}_t + W^{(i)}*h_{t-1}) \\ h'^{(i)}_t = f(U'^{(i)}*h'^{(i-1)}_t + W'^{(i)}*h'_{t+1}) \\ ... \\ h^{(1)}_t = f(U^{(1)} * h_t + W^{(1)}*h_{t-1}) \\ h'^{(1)}_t = f(U'^{(1)} * h_t + W'^{(1)}*h'_{t+1}) \\ ot=g(V(i)∗ht(i)+V′(i)∗ht′(i))ht(i)=f(U(i)∗ht(i−1)+W(i)∗ht−1)ht′(i)=f(U′(i)∗ht′(i−1)+W′(i)∗ht+1′)...ht(1)=f(U(1)∗ht+W(1)∗ht−1)ht′(1)=f(U′(1)∗ht+W′(1)∗ht+1′)
从上述公式可以看出,最终的输出依赖两个维 度的计算,横向上内部前后信息的 叠加,即按照时间的计算;纵向上是每一时刻的输入信息在 逐层之间的传递,即按照 空间结构的计算。
循环神经网络应用到机器学习任务
循环神经网络可以应用到很多不同类型的机器学习任务,根据这些任务的特点,可以分为以下几种模式:
- 序列到类别模式
- 同步的序列到序列模式
- 异步的序列到序列模式
序列到类别模式
主要应用在序列数据的分类问题,其输入为序列,输出为类别。比如在文本分类中,输入为单词序列,输出为文本的类别。
假设一个样本 x1:T=(x1,x2,...,xT)x_{1:T}=(x_1, x_2, ... , x_T)x1:T=(x1,x2,...,xT)为一个长度为T的序列,输出为类别 y∈(1,...,C)y \in (1, ..., C)y∈(1,...,C),可以将样本x按不同的时刻输入到循环神经网络中,并得到不同时刻的隐含状态hth_tht,可以将 hth_tht 看作是整个序列的最终表示,并输入给分类器 g(.) 进行分类,如下所示(公式-8):
y^=g(hT)\hat{y} = g(h_T) y^=g(hT)
其中g(.) 为简单的线性分类器(比如LR)或者复杂的分类器(前馈神经网络)。
除了将最后时刻的状态作为序列表示之外,我们还可以对整个序列的状态进行平均,并用整个状态的最终平均作为整个序列的表示(公式-9):
y^=g(1T∑t=1Tht)\hat{y} = g( \frac{1}{T} \sum_{t=1}^{T} h_t ) y^=g(T1t=1∑Tht)
公式-8 和公式-9 分别对应下图(图-6)的(a)和(b):
同步的序列到序列模式
主要用于序列标注(Sequence Labeling)任务,即每一时刻都有输入和输出,输入序列和输出序列的长度相同。比如词性标注(Part-of-Speech Tagging)中,每一个单词都需要标注其对应的词性标签。
假设一个样本 x1:T=(x1,x2,...,xT)x_{1:T}=(x_1, x_2, ... , x_T)x1:T=(x1,x2,...,xT)为一个长度为T的序列,输出为序列 y1:T=(y1,y2,...,yT)y_{1:T}=(y_1, y_2, ... , y_T)y1:T=(y1,y2,...,yT),可以将样本x按不同的时刻输入到循环神经网络中,并得到不同时刻的隐含状态hth_tht,每个时刻的 hth_tht 代表了当前时刻和历史的信息,并输入给分类器 g(.) 进行分类,得到当前的标签 y^t\hat{y}_ty^t,如下所示(公式-8):
y^=g(hT),∀t∈[1,T]\hat{y} = g(h_T), \forall_t \in [1,T] y^=g(hT),∀t∈[1,T]
异步的序列到序列模式
异步的序列到序列模式也成为编码器-解码器,输入序列和输出序列不需要有严格的对应关系,也不需要保持相同的长度,比如在机器翻译中,输入为源语音的单词序列,输出为目标语言的单词序列。
假设输入为一个长度为T的序列 x1:T=(x1,x2,...,xT)x_{1:T}=(x_1, x_2, ... , x_T)x1:T=(x1,x2,...,xT),输出为长度为M的序列y1:M=(x1,x2,...,xM)y_{1:M}=(x_1, x_2, ... , x_M)y1:M=(x1,x2,...,xM),经常通过先编码后解码的形式实现。
先将样本x按不同时刻输入到一个循环神经网络(编码器)中,并得到其编码hTh_ThT,然后再使用另外一个循环神经网络(解码器)中,得到输出序列y^1:M\hat {y}_{1:M}y^1:M。为了建立输出序列之间的依赖关系,在解码器中通常使用非线性的自回归模型。如下所示(公式-9):
ht=f1(ht−1,xt),∀t∈[1,T]hT+t=f2(hT+t−1,xt),∀t∈[1,M]y^t=g(hT+t),∀t∈[1,M]h_t = f_1(h_{t-1},x_t), \forall_t \in [1,T] \\ h_{T+t} = f_2(h_{T+t-1},x_t), \forall_t \in [1,M] \\ \hat{y} _t = g(h_{T+t}), \forall_t \in [1,M] ht=f1(ht−1,xt),∀t∈[1,T]hT+t=f2(hT+t−1,xt),∀t∈[1,M]y^t=g(hT+t),∀t∈[1,M]
其中 f1(.)f_1(.)f1(.),f2(.)f_2(.)f2(.)分别为用作编码器和解码器的循环神经网络,g(.)为分类器,y^t\hat{y}_ty^t 为输出预测y^t\hat{y}_ty^t的表示。
至此,循环神经网络(上)篇已经介绍完了,在(中)篇和下篇中会展开介绍更多的内容,欢迎关注。
【技术服务】,详情点击查看: https://mp.weixin.qq.com/s/PtX9ukKRBmazAWARprGIAg
![](/assets/blank.gif)
常见的五种神经网络(3)-循环神经网络(上)篇相关推荐
- 常见的五种神经网络(4)-深度信念网络(下)篇之深度信念网络的原理解读、参数学习
该系列的其他文章: 常见的五种神经网络(1)-前馈神经网络 常见的五种神经网络(2)-卷积神经网络 常见的五种神经网络(3)-循环神经网络(上篇) 常见的五种神经网络(3)-循环神经网络(中篇) 常见 ...
- 常见的五种神经网络(1)-前馈神经网络
转载请注明出处:http://blog.csdn.net/gamer_gyt 博主微博:http://weibo.com/234654758 Github:https://github.com/thi ...
- 深度学习入门(五十六)循环神经网络——循环神经网络RNN
深度学习入门(五十六)循环神经网络--循环神经网络RNN 前言 循环神经网络--循环神经网络RNN 课件 潜变量自回归模型 循环神经网络 使用循环神经网络的语言模型 困惑度(perplexity) 梯 ...
- 时间序列(五): 大杀器: 循环神经网络
上几节讲了一些时间序列的基本概念, 大家总感觉不那么的'智能', 与现在的人工智能的总那么的... 不太搭边. 先不管以上'感觉'对不对, 今天插队与大家分享一个处理时间序列的'大杀器' - 循环神经 ...
- 深度神经网络和循环神经网络,深层循环神经网络
深度学习和有效学习的区别 深度学习和有效学习的区别分别是:1.深度学习是:Deep Learning,是一种机器学习的技术,由于深度学习在现代机器学习中的比重和价值非常巨大,因此常常将深度学习单独拿出 ...
- 卷积神经网络和循环神经网络的思想内核是什么
CNN(卷积神经网络).RNN(循环神经网络).DNN(深度神经网络)的内部网络结构有什么区别? 如下:1.DNN:存在着一个问题--无法对时间序列上的变化进行建模.然而,样本出现的时间顺序对于自然语 ...
- 卷积神经网络与循环神经网络实战 --- 手写数字识别及诗词创作
卷积神经网络与循环神经网络实战 - 手写数字识别及诗词创作 文章目录 卷积神经网络与循环神经网络实战 --- 手写数字识别及诗词创作 一.神经网络相关知识 1. 深度学习 2. 人工神经网络回顾 3. ...
- 机器学习笔记三—卷积神经网络与循环神经网络
系列文章目录 机器学习笔记一-机器学习基本知识 机器学习笔记二-梯度下降和反向传播 机器学习笔记三-卷积神经网络与循环神经网络 机器学习笔记四-机器学习可解释性 机器学习笔记五-机器学习攻击与防御 机 ...
- Java数组去重的多种方法,[Java教程]JavaScript常见的五种数组去重的方式
[Java教程]JavaScript常见的五种数组去重的方式 0 2016-12-14 15:00:17 ▓▓▓▓▓▓ 大致介绍 JavaScript的数组去重问题在许多面试中都会遇到,现在做个总结 ...
最新文章
- HTML 杨辉三角,杨辉三角 - 哼哼哈嘿 - OSCHINA - 中文开源技术交流社区
- LA3135简单多路归并(优先队列)
- 【译】如何停止使用console.log()转而使用浏览器debugger
- 腾讯美团爱奇艺等10+大厂面试题汇总!
- keras从入门到放弃(四)多分类问题
- zabbix2.2安装配置(1)
- spring中自定义属性编辑器CustomEditorConfigurer
- 经典谷歌面试题-扔鸡蛋问题
- 【转】GPS误差来源
- linux i2c adapter 增加设备_Linux驱动之I2C驱动架构
- C++起始(关键字,命名空间,缺省参数,函数重载(c语言为什么不支持函数重载))
- 2020有效的邮箱号大全_2020年公众号免费裂变涨粉的3个有效方法,让我一天涨粉6000...
- match和exec的对比
- 51Nod1019----归并排序(递归)
- JNPF开发平台3.3企业版框架 力软敏捷开发框架源码7.0.6旗舰版
- 电脑qq音乐显示无法代理服务器,电脑QQ音乐软件无法登录如何解决
- Android Content Providers(二)——Contacts Provider
- Windows Hello 摄像头人脸识别解锁 DELL拆机摄像头方案
- linux制作U盘启动盘无法使用,完美:使用syslinux制作U盘启动盘
- kubuntu18.04安装搜狗输入法
热门文章
- 教师计算机基础教学考核制度,ArticleView
- CAD计算器怎么调出来?CAD计算器应用技巧
- linux操作系统简介与发展史
- 大工19《计算机应用基础》在线测试2,大工19春《计算机应用基础》在线测试2 在Excel 2010中 存储数据的表格被称为...
- arcgis怎么生成一个html,arcgis desktop 10.x怎么生成1:100万、1:50万等标准图幅经纬网格...
- [转]北京ATM跨行取款学问多(2008年07月26日)
- 对一个windows2000注册表项的粗略分析(转)
- 小码农也有大梦想!javaweb编程技术微课版答案
- 将mqm用户的环境变量写入配置文件
- easyuefi只能在基于uefi启动的_只需2个命令,就能将win10 BIOS启动方式转换为UEFI,你见过吗!...