RNN的数学符号（Notation）

来源：Coursera吴恩达深度学习课程

本节先从定义符号（notation）开始一步步构建序列模型。

如上图，你想要建立一个序列模型，它的输入语句是这样的：“Harry Potter and Herminoe Granger invented a new spell.”，(这些人名都是出自于J.K.Rowling笔下的系列小说Harry Potter)。假如你想要建立一个能够自动识别句中人名位置的序列模型，那么这就是一个命名实体识别问题（Name entity recognition），这常用于搜索引擎（search engines）。

现在给定这样的输入数据x，假如你想要一个序列模型输出y，使得输入的每个单词都对应一个输出值，同时这个y能够表明输入的单词是否是人名的一部分。技术上来说这也许不是最好的输出形式，还有更加复杂的输出形式，它不仅能够表明输入词是否是人名的一部分，它还能够告诉你这个人名在这个句子里从哪里开始到哪里结束。比如Harry Potter、Hermione Granger。

更简单的那种输出形式：这个输入数据是9个单词组成的序列，最终用9个特征集合来表示这9个单词：

用x^来索引这个序列的中间位置。t意味着它们是时序序列（temporal sequences），但不论是否是时序序列，我们都将用t来索引序列中的位置。输出数据表示为：

输入序列的长度表示为T_x，在这里T_x=9，输出序列的长度表示为T_y，在这里T_y=T_x=9（输入序列长度和输出序列长度也可以不相等）。

还有一些符号，第i个训练样本的序列中第t个元素表示为：

第i个训练样本的输出序列的长度表示为：

第i个训练样本的输出序列中第t个元素表示为：

第i个训练样本的输出序列的长度表示为：

接下来我们讨论一下怎样表示一个句子里单个的词。

如上图，想要表示一个句子里的单词，第一件事是做一张词表（Vocabulary），有时也称词典（Dictionary），意思是列一列你的表示方法中用到的单词。这个词表（下图所示）中的第一个词是a，也就是说词典中的第一个单词是a，第二个单词是Aaron，然后更下面一些是单词and，再后面你会找到Harry，然后找到Potter，这样一直到最后，词典里最后一个单词可能是Zulu。

因此a是第一个单词，Aaron是第二个单词，在这个词典里，and出现在367这个位置上，Harry是在4075这个位置，Potter在6830，词典里的最后一个单词Zulu可能是第10,000个单词。所以在这个例子中Andrew用了10,000个单词大小的词典，这对现代自然语言处理应用来说太小了。对于商业应用来说，或者对于一般规模的商业应用来说30,000到50,000词大小的词典比较常见，也有100,000词，而且有些大型互联网公司会用百万词，甚至更大的词典。

如果你选定了10,000词的词典，构建这个词典的一个方法是遍历你的训练集，并且找到前10,000个常用词，你也可以去浏览一些网络词典，它能告诉你英语里最常用的10,000个单词，接下来你可以用one-hot表示法（representations）来表示词典里的每个单词。

举个例子，（1）在这里x^表示Harry这个单词，它就是一个第4075行是1，其余值都是0的向量（上图编号1所示），因为那是Harry在这个词典里的位置。（2）同样x^是个第6830行是1，其余位置都是0的向量（上图编号2所示）。（3）第三个单词and在词典里排第367，所以x^就是第367行是1，其余值都是0的向量（上图编号3所示）。（4）因为a是字典第一个单词，x^对应a，那么这个向量的第一个位置为1，其余位置都是0的向量（上图编号4所示）。

所以这种表示方法中，x^指代句子里的任意词，它就是个one-hot向量，因为它只有一个值是1，其余值都是0，所以会有9个one-hot向量来表示这个句中的9个单词，如果你的词典大小是10,000的话，那么这里的每个向量都是10,000维的。目的是用这样的表示方式表示X，用序列模型在X和目标输出Y之间学习建立一个映射。Andrew把它当作监督学习的问题（supervised learning problem），而且确信会给定带有(x,y)标签的数据。

注意一下，如果你遇到了一个不在你词表中的单词，答案就是创建一个新的标记，也就是一个叫做Unknow Word的伪单词，用<UNK>作为标记，来表示不在词表中的单词，我们之后会讨论更多有关这个的内容。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。