【深度学习】认识RNN模型，了解RNN模型的作用，分类，传统RNN的优缺点

1 认识RNN模型

• 了解什么是RNN模型.
• 了解RNN模型的作用.
• 了解RNN模型的分类.

1 什么是RNN模型

• RNN(Recurrent Neural Network), 中文称作循环神经网络, 它一般以序列数据为输入, 通过网络内部的结构设计有效捕捉序列之间的关系特征, 一般也是以序列形式进行输出.

• 一般单层神经网络结构:

 

• RNN单层网络结构:

  

• 以时间步对RNN进行展开后的单层网络结构:

 

• RNN的循环机制使模型隐层上一时间步产生的结果, 能够作为当下时间步输入的一部分(当下时间步的输入除了正常的输入外还包括上一步的隐层输出)对当下时间步的输出产生影响.

2 RNN模型的作用

• 因为RNN结构能够很好利用序列之间的关系, 因此针对自然界具有连续性的输入序列, 如人类的语言, 语音等进行很好的处理, 广泛应用于NLP领域的各项任务, 如文本分类, 情感分析, 意图识别, 机器翻译等.

• 下面我们将以一个用户意图识别的例子进行简单的分析:

  

• 第一步: 用户输入了"What time is it ?", 我们首先需要对它进行基本的分词, 因为RNN是按照顺序工作的, 每次只接收一个单词进行处理.

• 第二步: 首先将单词"What"输送给RNN, 它将产生一个输出O1.

 

• 第三步: 继续将单词"time"输送给RNN, 但此时RNN不仅仅利用"time"来产生输出O2, 还会使用来自上一层隐层输出O1作为输入信息.

  

• 第四步: 重复这样的步骤, 直到处理完所有的单词.

 

• 第五步: 最后，将最终的隐层输出O5进行处理来解析用户意图.

 

3 RNN模型的分类 

• 这里我们将从两个角度对RNN模型进行分类. 第一个角度是输入和输出的结构, 第二个角度是RNN的内部构造.

• 按照输入和输出的结构进行分类:

  • N vs N - RNN
  • N vs 1 - RNN
  • 1 vs N - RNN
  • N vs M - RNN

• 按照RNN的内部构造进行分类:

  • 传统RNN
  • LSTM
  • Bi-LSTM
  • GRU
  • Bi-GRU

• N vs N - RNN:

  • 它是RNN最基础的结构形式, 最大的特点就是: 输入和输出序列是等长的. 由于这个限制的存在, 使其适用范围比较小, 可用于生成等长度的合辙诗句.

• N vs 1 - RNN:
  • 有时候我们要处理的问题输入是一个序列，而要求输出是一个单独的值而不是序列，应该怎样建模呢？我们只要在最后一个隐层输出h上进行线性变换就可以了，大部分情况下，为了更好的明确结果, 还要使用sigmoid或者softmax进行处理. 这种结构经常被应用在文本分类问题上.

 

• 1 vs N - RNN:
  • 如果输入不是序列而输出为序列的情况怎么处理呢？我们最常采用的一种方式就是使该输入作用于每次的输出之上. 这种结构可用于将图片生成文字任务等.

• N vs M - RNN:
  • 这是一种不限输入输出长度的RNN结构, 它由编码器和解码器两部分组成, 两者的内部结构都是某类RNN, 它也被称为seq2seq架构. 输入数据首先通过编码器, 最终输出一个隐含变量c, 之后最常用的做法是使用这个隐含变量c作用在解码器进行解码的每一步上, 以保证输入信息被有效利用.

• seq2seq架构最早被提出应用于机器翻译, 因为其输入输出不受限制，如今也是应用最广的RNN模型结构. 在机器翻译, 阅读理解, 文本摘要等众多领域都进行了非常多的应用实践.

• 关于RNN的内部构造进行分类的内容我们将在后面使用单独的小节详细讲解.

2 传统RNN模型 

1 传统RNN的内部结构图

1.1 RNN结构分析

• 结构解释图:

 

• 内部结构分析:

  • 我们把目光集中在中间的方块部分, 它的输入有两部分, 分别是h(t-1)以及x(t), 代表上一时间步的隐层输出, 以及此时间步的输入, 它们进入RNN结构体后, 会"融合"到一起, 这种融合我们根据结构解释可知, 是将二者进行拼接, 形成新的张量[x(t), h(t-1)], 之后这个新的张量将通过一个全连接层(线性层), 该层使用tanh作为激活函数, 最终得到该时间步的输出h(t), 它将作为下一个时间步的输入和x(t+1)一起进入结构体. 以此类推.

• 内部结构过程演示:

 

 

• 根据结构分析得出内部计算公式:ht=tanh(Wt[Xt,ht−1]+bt)

• 激活函数tanh的作用:

  • 用于帮助调节流经网络的值, tanh函数将值压缩在-1和1之间.

 

1.2 使用Pytorch构建RNN模型 

• 位置: 在torch.nn工具包之中, 通过torch.nn.RNN可调用

• nn.RNN类初始化主要参数解释:

  • input_size: 输入张量x中特征维度的大小
  • hidden_size: 隐层张量h中特征维度的大小
  • num_layers: 隐含层的数量
  • nonlinearity: 激活函数的选择, 默认是tanh

• nn.RNN类实例化对象主要参数解释:

  • input: 输入张量x
  • h0: 初始化的隐层张量h

• nn.RNN使用示例:

  # 导入工具包
  >>> import torch
  >>> import torch.nn as nn
  >>> rnn = nn.RNN(5, 6, 1)
  >>> input = torch.randn(1, 3, 5)
  >>> h0 = torch.randn(1, 3, 6)
  >>> output, hn = rnn(input, h0)
  >>> output
  tensor([[[ 0.4282, -0.8475, -0.0685, -0.4601, -0.8357,  0.1252],
           [ 0.5758, -0.2823,  0.4822, -0.4485, -0.7362,  0.0084],
           [ 0.9224, -0.7479, -0.3682, -0.5662, -0.9637,  0.4938]]],
         grad_fn=<StackBackward>)
  
  >>> hn
  tensor([[[ 0.4282, -0.8475, -0.0685, -0.4601, -0.8357,  0.1252],
           [ 0.5758, -0.2823,  0.4822, -0.4485, -0.7362,  0.0084],
           [ 0.9224, -0.7479, -0.3682, -0.5662, -0.9637,  0.4938]]],
         grad_fn=<StackBackward>)

  1.3 传统RNN优缺点

• 1 传统RNN的优势:

• 由于内部结构简单, 对计算资源要求低, 相比之后我们要学习的RNN变体:LSTM和GRU模型参数总量少了很多, 在短序列任务上性能和效果都表现优异.

• 2 传统RNN的缺点:

• 传统RNN在解决长序列之间的关联时, 通过实践，证明经典RNN表现很差, 原因是在进行反向传播的时候, 过长的序列导致梯度的计算异常, 发生梯度消失或爆炸.

• 3 梯度消失或爆炸介绍

  根据反向传播算法和链式法则, 梯度的计算可以简化为以下公式

Dn=σ′(z1)w1⋅σ′(z2)w2⋅⋯⋅σ′(zn)wn 

• 其中sigmoid的导数值域是固定的, 在[0, 0.25]之间, 而一旦公式中的w也小于1, 那么通过这样的公式连乘后, 最终的梯度就会变得非常非常小, 这种现象称作梯度消失. 反之, 如果我们人为的增大w的值, 使其大于1, 那么连乘够就可能造成梯度过大, 称作梯度爆炸.

• 梯度消失或爆炸的危害:

  • 如果在训练过程中发生了梯度消失，权重无法被更新，最终导致训练失败; 梯度爆炸所带来的梯度过大，大幅度更新网络参数，在极端情况下，结果会溢出（NaN值）.