深度学习----从RNN 到 LSTM 再到进化 GRU

---

论文：Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling

一、从神经网络开始

$~~~~~~$神经网络包括前向过程和后向过程，前向过程定义网络结构，后向过程对网络进行训练（也就是优化参数），经过多轮迭代得到最终网络（参数已定）。

我们先来分析一个非常简单的三层神经网络：

西瓜书第102页

数据集

前向过程

$~~~~~~~$在输入层，假设该层节点数为d，也就是特征x的维度， 作为该层输出；在隐藏在输入层，假设该层节点数为d，也就是特征x的维度， 作为该层输出；在隐藏层中，该层节点数为q，每个节点的输入 $\alpha_h$就是上一层所有节点输出$x_i$ 的线性组合值，该节点的输出 $b_h$是$\alpha_j$ 的激活值，这里假设使用sigmoid激活函数；

$~~~~~~~$在输出层，该层节点数为l，也就是输出y的维度，同理，每个节点的输入 $\beta_j$是 $b_h$ 的线性组合值，输出$y_j'$ 是$\beta_j$的激活值，根据不同任务选择不同激活函数，比如二分类任务一般是用sigmoid激活函数把$y_j'$限制到[0,1]之间。

后向过程

$~~~~~~~~$那么我们的目标就是最小化Loss，调整参数和$w_{hj}$,$v_{ih}$ ，使得网络尽量去拟合真实数据。如何求最小值？那当然是求导了，根据loss函数对参数求导，然后往梯度下降的方向去更新参数，可以降低loss值。梯度主宰更新，如果梯度太小，会带来梯度消失问题，导致参数更新很慢；那如果梯度很大，又会造成梯度爆炸问题。对于输出层参数$w_{ij}$，E对$w_{hj}$ 进行链式求导，也就是，E先对节点的输出$y_j$ 求导，再对节点的输入$\beta_j$ 求导，最后对$w_{hj}$求导，结果为：

$$\frac{\partial E}{\partial w_{hj}} = \frac{\partial E}{\partial y_{j}'}\frac{\partial y_{j}'}{\partial \beta_{j}}\frac{\partial \beta_{j}}{\partial w_{hj}} =(y_j'-y_j)\cdot y_j'(1-y_j')\cdot b_{h}$$
这里我们令 $g_j = (y_j'-y_j)\cdot y_j'(1-y_j')$，就可以得到参数 $w_{hj}$ 的更新量为： $$\Delta w_{hj} = -\eta\cdot g_j \cdot b_{h}$$
就可以愉快地将更新 $w_{hj} = w_{hj} + \Delta w_{hj}$了。
$~~~~$隐藏层参数 $v_{ih}$，也是链式求导，E先对该层节点的输出 $b_j$ 求导，再对节点的输入 $\alpha_j$ 求导，最后对 $v_{ih}$ 求导，其实在前面我们已经求出了部分梯度，最后结果为：

$$\frac{\partial E}{\partial v_{ih}} = \frac{\partial E}{\partial b_h}\frac{\partial b_h}{\partial \alpha_{h}}\frac{\partial \alpha_{h}}{\partial v_{ih}} =(\sum_{j=1}^{l}{\frac{\partial E}{\partial y_{j}'}\frac{\partial y_{j}'}{\partial \beta_{j}}\frac{\partial \beta_{j}}{\partial b_{h}}})\cdot \frac{\partial b_h}{\partial\alpha_h}\cdot \frac{\partial \alpha_{h}}{\partial v_{ih}}$$
注意到， $\frac{\partial E}{\partial y_{j}'}\frac{\partial y_{j}'}{\partial \beta_{j}}$其实我们刚刚求过，其实就是 这货，因此我们可得：再次令
$$e_h = (\sum_{j=1}^{l}{g_j\cdot w_{hj}})\cdot b_h (1-b_h)$$
,可以得到 $v_{ih}$的更新量为： $\Delta v_{ih} = -\eta\cdot e_h \cdot x_i$也就可以愉快地将更新 $v_{ih} = v_{ih} + \Delta v_{ih}$ 了。

等等，事情好像并没有这么简单，我们仔细观察 $e_h$ ，涉及到了这些东西：

$~~~~~~$1）$g_j$ ：这是上一层传递过来的梯度，如果上一层的梯度本来已经很小，那么在这一层进行相乘，会导致这一层的梯度也很小。所以如果网络层比较深，那么在链式求导的过程中，越是低层的网络层梯度在连乘过程中可能会变得越来越小，导致梯度消失。

$~~~~~~~$2）$w_{hj}$ ：这是这一层的权重，这一项是造成梯度爆炸的主要原因，如果权重很大，也可能会导致相乘后的梯度也比较大。（梯度爆炸不是问题，做个梯度裁剪就行了，对梯度乘以一个缩放因子，我们主要考虑的是梯度消失问题）

$~~~~~~~~$3）$b_h (1-b_h)$：这是sigmoid激活函数的导数，sigmoid激活值本身已经是一个比较小的数了，这两个小于1的数相乘会变得更小，就可能会造成梯度消失。

$~~~~~~~$我们直接来看sigmoid的这个图吧，只有在靠近0的区域梯度比较大（然而也不会超过0.25），在接近无穷小或者无穷大的时候梯度几乎是0了：

$~~~~~~~~~$所以sigmoid是造成梯度消失的一个重要原因，激活函数其实是为了引入了非线性操作，使得神经网络可以逼近非线性函数。因此如果不是输出层必须要用sigmoid来限制输出范围，我一般是不用sigmoid的。

那么从激活函数出发，缓解梯度消失有以下方法：
$~~~~~~~$1）不行就换，比如把sigmoid换成relu，在x>0的时候可以稳稳维持1的梯度。

$~~~~~~~~$2）不想换那也行，既然我们知道sigmoid在靠近0的取值范围内梯度比较大，但我们可以把数据尽量规范化到一个比较合适的范围，也就是part III 要谈到的Normaliztion。

二、从RNN到LSTM再到GRU

$~~~~~~~~$接下来我们再探讨一下RNN系列，也就是展开型的神经网络。RNN是最简单的循环神经网络，其实就是对神经网络展开k个step，所有step共享同一个神经网络模块S，我们还是直接来看图吧：

$~~~~~~~$这是一个序列预测任务，可以看到在RNN中$W_s$ 和 $W_x$这两个参数是共享的，注意噢：这里也有个共享的$W_o$$W_o$ ，但不是包含在RNN中的，只是用于序列预测而已。
在step t下，RNN的输出向量 $s_t$ 是：

$$s_t = tanh(W_xx_t+W_s s_{t-1}+b)$$
接下来 $W_o$和 $s_t$ 进行相乘得到step t下的预测值 $o_t$ （加激活函数也可以）。假设step t 的正确label是 $y_t$，我们现在还是将Loss函数定义为均方误差：
$$E = \frac{1}{2}\sum_{t=1}^{T}{(y_t-o_t)^{2}}$$
也就是，每个step t 的loss是 $E_t = \frac{1}{2}{(y_t-o_t)^{2}}$，
$~~~~~~~~~~~~~$现在我们来看看怎么更新 $W_x$，可以看到在step t 下，计算 $o_t$ 不仅涉及到了step t下的 $W_x$ ，也涉及到了前面step下的 $W_x$，来看这个反向传播路径图：

因此在step t下， 对求导需要对前面所有step的 依次进行求导，再加起来：

注意到有一个硕大的连乘符号，事情好像又开始变得不简单起来，我们来继续求导下去，在RNN中 s的激活函数是tanh函数：

套路和前面的神经网络是一样的！这里又涉及到了激活函数的梯度，以及网络的其它权重$W_s$，而$tanh$其实只是将sigmoid的范围从[0, 1]变到[-1, 1]而已：

< 这货还是不能解决梯度消失的问题啊！另外， $W_s$又可能会造成梯度爆炸，也就是说，RNN和普通的神经网络一样存在着梯度消失和爆炸的隐患，并且RNN网络又是展开的，相当于很深层的神经网络，因此梯度还比普通的神经网络要不稳定得多。
$~~~~~~~$另外，我们从矩阵的角度来看，
$$\frac{\partial s_j}{\partial s_{j-1}}$$
是个Jacobian矩阵（向量对向量求导），如果矩阵值太大显然会带来梯度爆炸（这个不是重点），重点是如果值比较小，而且又经过矩阵连乘，梯度值迅速收缩，最后可能会造成梯度消失。刚刚我们推导了 $W_x$的梯度， $W_s$其实也是一样的，这里不再重复推导。而 $W_o$，前面讲到它不是属于RNN的，但是我们也不妨来推导一下：

$$\frac{\partial E_t}{W_o} = \frac{\partial E_t}{\partial o_t}\cdot \frac{\partial o_t}{\partial W_o}$$ 咦！没错，在step t下， $o_t$只和这个step的 $W_o$有关，和前面step的 $W_o$都没关系，所以 $W_o$的梯度对我们并没有什么威胁。 ####LSTM出场 上面讲到，RNN的梯度问题是产生于 $$\prod_{j=i+1}^{t}\frac{\partial s_j}{\partial s_{j-1}}$$ $~~~~~~~$这一项，LSTM作为RNN的改进版本，改进了共享的神经网络模块，引入了cell结构，其实也是为了在这一项中保持一定的梯度，把连乘操作改为连加操作。

我们来看看LSTM的内部结构，包含了四个门层结构： ;

引用自 Stanford CS231n slides

LSTM相信很多人看过这个：[译] 理解 LSTM 网络，但是我发现cs231n的公式更加简洁，把四个门层结构的权重参数合成一个W。

求导过程比较复杂，我们先看一下这一项：

和前面一样，我们来求一下 ，这里注意$f_t$ $i_t$和 都是 $c_{t-1}$的复合函数：

$$\frac{\partial c_t}{\partial c_{t-1}}=f_t + \frac{\partial f_t}{\partial c_{t-1}} \cdot c_{t-1} + ...$$ $~~~~~~$后面的我们就不管了，展开求导太麻烦了，第一项 $f_t$是什么！ $f_t$是f**orget gate的输出值，1表示完全保留旧状态，0表示完全舍弃旧状态**，那如果我们把 $f_t$设置成1或者是接近于1，那 $\frac{\partial c_t}{\partial c_{t-1}}$ 这一项就有妥妥的梯度了。 $~~~~~~$**因此LSTM是靠着cell结构来保留梯度，forget gate控制了对过去信息的保留程度，如果gate选择保留旧状态，那么梯度就会接近于1，可以缓解梯度消失问题。**这里说缓解，是因为LSTM只是在 $c_t$到 $c_{t-1}$这条路上解决梯度消失问题，而其他路依然存在梯度消失问题。

$~~~~~~$而且forget gate解决了RNN中的长期依赖问题，不管网络多深，也可以记住之前的信息。
$~~~~~~$另外，LSTM可以缓解梯度消失，但是梯度爆炸并不能解决，但实际上前面也讲过，梯度爆炸不是什么大问题。

GRU

LSTM内部结构比较复杂，因此衍生了简化版GRU，把LSTM的input gate和forget gate整合成一个update gate，也是通过gate机制来控制梯度：

我们还是来求一下 \

$$\frac{\partial h_t}{\partial h_{t-1}}$$ ，我们可以得到：
$$\frac{\partial h_t}{\partial h_{t-1}} = (1-z_t) + ...$$
那一串省略号我们还是不管，我们依然可以通过控制 $"z_t$ 来控制梯度。
所以，我们现在可以看到，LSTM系列都是通过gate机制来缓解梯度消失问题的。

三：从Batch Normalization到Group Normalization

$~~~~~~~~$现在我们已经知道：
1）激活函数对梯度也有很大的影响，大部分激活函数只在某个区域内梯度比较好。

2）在后向传播的时候，我们需要进行链式求导，如果网络层很深，激活函数有权重又小，会导致梯度消失；如果权重很大，又会导致梯度爆炸。

那么解决梯度消失可以从这几方面入手：

1）换激活函数；
2）调整激活函数的输入；
3）调整网络结构

事实上，我们有一个好东西可以解决梯度问题，叫做Normalization，就是从第二方面入手同时解决梯度消失和爆炸，而且也可以加快训练速度。

Batch Normalization

假设对于一个batch内某个维度的特征 ${x_1, x_2, ..., x_m}$
BN需要将其转化成${y_1, y_2, ..., y_m}$首先对节点的线性组合值进行归一化，使其均值是0，方差是1。（也就是，对节点的输入进行归一化，而不是对输出进行归一化）

其中 $\mu$ 是均值， $\sigma^{2}$是标准差，$\varepsilon$是用来控制分母为正。
但是数据本来不是这样子的啊！我们强行对数据进行缩放，可能是有问题的，所以BN又加了一个scale的操作，使得数据有可能会恢复回原来的样子：

$$y_i = \gamma x_i'+\beta$$
$~~~~~$加了scale可以提升模型的容纳能力。

既然是Batch归一化，那么BN就会受到batch size的影响：

1）如果size太小，算出的均值和方差就会不准确，影响归一化，导致性能下降，

2）如果太大，内存可能不够用。

Group Normalization

因此上个月提出的GN，就是为了避免batch size带来的影响。乍一看标题以为做了啥大改革，BN要退出舞台了，其实只是归一化的方向不一样，不再沿batch方向归一化，他们的不同点就在于归一化的方向不一样：

BN：批量归一化，往batch方向做归一化，归一化维度是[N，H，W]

LN：层次归一化，往channel方向做归一化，归一化维度为[C，H，W]

IN：实例归一化，只在一个channel内做归一化，归一化维度为[H，W]

GN：介于LN和IN之间，在channel方向分group来做归一化，归一化的维度为[C//G , H, W]

四、比较

除语言建模外，GRU在所有任务上都优于LSTM
●MUT1与GRU在语言建模方面的表现相匹配，在所有其他任务上均优于GRU
●允许丢失时，LSTM在PTB上的性能明显优于其他体系结构
●增加大忘记栅极偏置可大大提高LSTM性能
●LSTM的遗忘门是最重要的，而输出门相对不重要

---

参考文献：● RNN梯度消失和爆炸的原因
● https://zhuanlan.zhihu.com/p/36101196?utm_source=qq&utm_medium=social&utm_oi=761548970097917952