RNN算法

机器学习算法完整版见fenghaootong-github

循环神经网络原理（RNN）

• RNN是在自然语言处理领域中最先被用起来的
• 语言模型就是这样的东西：给定一个一句话前面的部分，预测接下来最有可能的一个词是什么。
• 简单的循环神经网络由输入层、一个隐藏层和一个输出层组成：

• x是一个向量，它表示输入层的值（这里面没有画出来表示神经元节点的圆圈）；
• s是一个向量，它表示隐藏层的值（这里隐藏层面画了一个节点，这一层其实是多个节点，节点数与向量s的维度相同）；
• U是输入层到隐藏层的权重矩阵；
• o也是一个向量，它表示输出层的值；
• V是隐藏层到输出层的权重矩阵。
• 循环神经网络的隐藏层的值s不仅仅取决于当前这次的输入x，还取决于上一次隐藏层的值s。
• 权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重。

展开后:

$$o_t=g(V{s}_t)$$
$$s_t=f(U{x}_t+W{s}_{t-1})$$

• f,g都是激活函数
• 第一个式子是全连接层，第二个式子是循环层
• 循环层和全连接层的区别就是循环层多了一个权重矩阵 W。

$$\begin{gathered} o_t=g(V{s}_t) \\ =g(Vf(U{x}_t+W{s}_{t-1})) \\ =g(Vf(U{x}_t+Wf(U{x}_{t-1}+W{s}_{t-2}))) \\ =g(Vf(U{x}_t+Wf(U{x}_{t-1}+Wf(U{x}_{t-2}+W{s}_{t-3})))) \\ =g(Vf(U{x}_t+Wf(U{x}_{t-1}+Wf(U{x}_{t-2}+Wf(U{x}_{t-3}+...))))) \end{gathered}$$

循环神经网络的训练

1. 前向计算每个神经元的输出值$a_j$（ 表示网络的第j个神经元，以下同）；
2. 反向计算每个神经元的误差项${\sigma }_j，{\sigma }_j$在有的文献中也叫做敏感度(sensitivity)。它实际上是网络的损失函数$E_d$对神经元加权输入的偏导数
3. 计算每个神经元连接权重$w_{i,j}$的梯度（ $w_{i,j}$表示从神经元i连接到神经元j的权重）

• 最后，根据梯度下降法则更新每个权重即可。

长短时记忆网络(LSTM)

RNN有个缺点就是很难处理长距离依赖，就是记性差，LSTM成功解决了原始RNN的缺陷

原始的RNN隐藏层只有一个状态，现在再增加一个状态c，让它保存长期的状态

LSTM的输入有三个：

• $x_t$:当前时刻网络的输入值
• $h_{t-1}$:上一时刻LSTM的输出值
• $c_{t-1}$:上一时刻的单元状态

LSTM的输出有两个：

• $h_t$:当前时刻LSTM输出值
• $c_t$: 当前时刻的单元状态

LSTM的关键，就是怎样控制长期状态c。在这里，LSTM的思路是使用三个控制开关。第一个开关，负责控制继续保存长期状态c；第二个开关，负责控制把即时状态输入到长期状态c；第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。

**前向计算 **

实现开关的算法，就是门，门实际上就是一层全连接层，它的输入是一个向量，输出是一个0到1之间的实数向量。假设W是门的权重向量，b是偏置项，那么门可以表示为：
$$g(x)=\sigma (Wx+b)$$

$\sigma$是激活函数，值域为(0,1)

LSTM用两个门控制单元状态c的内容：

• 遗忘门：决定了上一时刻的单元状态$c_{t-1}$有多少保留到当前时刻$c_t$
• 输入门：决定了当前时刻网络的输入$x_t$有多少保存到单元状态$c_t$

输出门控制单元状态$c_t$有多少输出到当先输出值$h_t$

遗忘门：

$$f_t=\sigma (W_f\cdot [h_{t-1},x_t]+b_f)$$

输入门：

$$i_t=\sigma (W_i\cdot [h_{t-1},x_t]+b_i)$$

当前输入状态$\widetilde{c_t}$:

$$\widetilde{c_t}=tanh(W_c[h_{t-1},x_t]+b_c)$$

当前时刻的单元状态$c_t$:

$$c_t=f_t\circ c_{t-1}+i_t\circ \widetilde{c_t}$$

$\circ$表示按元素乘

输出门：

$$o_t=\sigma (W_o\cdot [h_{t-1},x_t]+b_o)$$

最终输出：

$$h_t=o_t\circ tanh(c_t)$$

**实例 **

RNN实例