一文了解循环神经网络

循环神经网络（RNN）可是在语音识别、自然语言处理等其他领域中引起了变革！

应用场景

循环神经网络（RNN）其实就是序列模型，我们先来看看其应用场景。

在语音识别时，给定了一个输入音频片段X ，并要求输出对应的文字记录Y 。这里的输入和输出数据都是序列模型，输入X是一个按时播放的音频片段，输出Y是一系列文字。

音乐生成问题也是一样，输出数据Y是序列，而输入数据X可以是空集，也可以是个单一的整数（代表音符）。

而系列模型在DNA序列分析中也十分有用，DNA可以用A、C、G、T四个字母来表示。所以给定一段DNA序列，你能够标记出哪部分是匹配某种蛋白质的吗？

以上所有类似问题都可以被称作使用标签数据(X，Y)作为训练集的监督学习，输入数据X或者输出数据Y是序列，即使两者都是序列也有数据长度不同的问题。

模型构建

比如建立一个序列模型，它的输入语句是这样的：“Sam Li and Tom date on Tuesday.”。然后模型是可以自动识别句中人名位置的命名实体识别模型，可以用来查找不同类型的文本中的人名、公司名、时间、地点、国家名和货币名等等。

假定输入数据x，序列模型的输出y，使得输入的每个单词都对应一个输出值，同时y还需要表明输入的单词是否是人名的一部分。

首先输入语句是7个单词组成的时序序列，所以最终会有7个特征集x：x<1>，x<2>，...，x<7>，同时可以索引其序列中的位置。Tx表示输出序列的长度，这里Tx=7。

同理，输出数据也是一样，分别对应y<1>，y<2>，...，y<7>，Ty表示输出序列的长度。

因此总结来说，训练样本i的序列中第t个元素用x(i)表示，

代表第i个训练样本的输入序列长度，y(i)表示第i个训练样本中第t个元素，就是第i个训练样本的输出序列的长度。

那么问题来了，首先我们需要准备一个比较大的词典库，可能该库里的第一个单词是a，and出现在第367个位置上，Sam是在7459这个位置，Tom则在8674。

那么我们就可以在这个词典库的基础上遍历训练集。

那么也就是说，Sam由x<1>表示，其是一个第7459行是1，其余值都是0的向量；Li由x<2>表示，其是一个第2420行是1，其余值都是0的向量。

通常我们称这种x指代句子里的任意词为one-hot向量，只有一个值是1，其余值都是0，所以整句话中我们会有7个one-hot向量，用序列模型在X和Y目标输出之间学习建立一个映射关系。

PS:如果遇到了一个在你词表中的单词，可以创建一个Unknow Word的伪造单词，用作为标记。

模型解释

通常情况下，我们会首先选取标准的神经网络，输入7个one-hot向量，经过一些隐藏层，最终会输出7个值为0或1的项，表明每个输入单词是否是人名的一部分。

但最后我们总会遇到这样的问题：

1.输入和输出数据的长度并不完全一致，即使采用填充（pad）或零填充（zero pad）使每个输入语句都达到最大长度，但最后的表达式会很奇怪。

2.简单的神经网络并不会共享从文本的不同位置上学到的特征。因为我们希望，如果首次学习的时候我们已经知道了Tom是人名，那么当Tom出现在其他位置时，其并不能够自动识别，因此也不能够减少模型中参数的数量。

那么循环神经网络为啥会比普通的神经网络更加出众呢？

以从左到右的顺序读这个句子，第一个单词就是x<1>，将其输入一个神经网络层，同时尝试预测输出，判断这是否为人名;下面精彩的部分来啦，循环神经网络中当它读到句中的第二个单词时，假设是x<2>，它不是仅用x<2>就预测出

，还会输入一些来自时间步1的信息，那么时间步1的激活值就会传递到时间步2。在下一个时间步，循环神经网络输入了x<3>，尝试预测输出了 ，...，一直到最后一个时间步，输入x，然后输出 。在每一个时间步中，循环神经网络会传递一个激活值到下一个时间步中用于计算，同时还需要使用零向量作为零时刻的伪激活值输入神经网络

另外循环神经网络是从左向右扫描数据，同时每个时间步的参数也是共享的，用Wax来表示从x<1>到隐藏层的连接的一系列参数，每个时间步使用的都是相同的Wax参数，而激活值是由参数Waa决定的，输出结果由Way决定。

先输入零向量a<0>，接着进行前向传播过程，计算激活值a<1>，然后再计算y<1>。

更普遍来说，在t时刻:

为了更加简化一点，定义Wa:

，假设a是100维的，x是10,000维的，那么Waa是（100，100）维的矩阵，Wax是（100，10000）维，Wa为（100，10100）。

同样，假定

，Wy表明它是计算y类型的量的权重矩阵，而Wa和ba则表示这些参数是用来计算激活值的。

RNN前向传播示意图：