深度学习（Deep Learning）读书思考八：循环神经网络三（RNN应用）

概述

通过前两小节的介绍，可以清楚的了解RNN模型的网络结构以及LSTM。本小节主要介绍RNN其他变形以及应用，包括

1.GRU单元
2.序列到序列（Seq2Seq）模型
3.注意力（Attention）模型
4.RNN在NLP中的应用
5.总结

GRU单元

GRU通过引入重置门和遗忘门来解决长期依赖问题，相对于LSTM有更少参数并且在某些问题上，效果好于LSTM。

1. 重置门 $$r_t=\sigma(W^rx+U^rh_{t-1})$$ 如果重置门关闭，会忽略掉历史状态，即将历史不相干的信息不会影响未来的输出。
2. 遗忘门 $$z_t=\sigma(W^zx+U^zh_{t-1})$$ 遗忘门能够控制历史信息对当前输出的影响，如果遗忘门接近1，此时会把历史信息传递下去
3. 节点状态 $$\hat h_t=tanh(Wx+r_t \; o \; Uh_{t-1})$$
4. 输出 $$h_t=z_t \; o \; h_{t-1}+(1-z_t)\; o \; \hat h_t$$

Seq2Seq模型

序列到序列模型可以解决很多不定长输入到输出的变换问题，等价于编码和解码模型，即编码阶段将不定长输入编码成定长向量；解码阶段对输出进行解码。

1.其中序列ABC是输入序列，WXYZ是输出序列，EOS是结束符号
2.模型分为两个阶段1）encode阶段，该阶段将输入序列编码成一个定长维度的向量2）decode阶段，根据编码后向量预测输出向量。
3.编码过程，可以使用标准的RNN模型，例如

$$\begin{align}h_t&=f(W^{hx}x_t + W^{hh}h_{t-1}) \\ y_t&=W^{hy}h_t \end{align}$$
4.解码过程，也可以使用一个标准的RNN模型进行解码，例如RNN-LM

p(y1,y2...yM|x1,