本文概述了计算图在深度学习中的作用，深入解析了循环神经网络（RNN）的发展历程，特别是长短时记忆网络（LSTM）的发明，以及它们在问答系统、自动作曲和机器翻译等领域的关键应用，讨论了如何解决RNN中的梯度消失问题。
计算图
计算图的引入是为了后面更方便的表示网络，计算图是描述计算结构的一种图，它的元素包括节点(node)和边(edge)，节点表示变量，可以是标量、矢量、张量等，而边表示的是某个操作，即函数。
下面这个计算图表示复合函数
循环神经网络
上一章我们已经介绍了CNN，可能我们会想这里为什么还需要构建一种新的网络RNN呢？因为现实生活中存在很多序列化结构，我们需要建立一种更优秀的序列数据模型。
- 文本：字母和词汇的序列
- 语音：音节的序列
- 视频：图像帧的序列
- 时态数据：气象观测数据，股票交易数据、房价数据等
RNN的发展历程
循环神经网络是一种人工神经网络，它的节点间的连接形成一个遵循时间序列的有向图，它的核心思想是，样本间存在顺序关系，每个样本和它之前的样本存在关联。通过神经网络在时序上的展开，我们能够找到样本之间的序列相关性。
下面给出RNN的一般结构：
其中各个符号的表示：
x
t
,
s
t
,
o
t
x_ t,s_t, o_t
xt,st,ot分别表示t时刻的输入、记忆和输出，
U
,
V
,
W
U,V,W
U,V,W是RNN的连接权重，
b
s
,
b
o
b_s, b_o
bs,bo是RNN的偏置，
σ
,
φ
σ, φ
σ,φ是激活函数，
σ
σ
σ通常选tanh或sigmoid，
φ
φ
φ通常选用softmax。
RNN案例
比如词性标注，
- 我/n,爱/v购物/n,
- 我/n在/pre华联/n购物/v
Word Embedding：自然语言处理(NLP)中的 一组语言建模和特征学习技术的统称，其中来自词汇表的单词或短语被映射到实数的向量。比如这里映射到三个向量然后输入：
将神经元的输出存到memory中，memory中值会作为下一时刻的输入。在最开始时刻，给定 memory初始值，然后逐次更新memory中的值。
各种不同的RNN结构
长短时记忆网络
在RNN中，存在一个很重要的问题，就是梯度消失问题，一开始我们不能有效的解决长时依赖问题，其中梯度消失的原因有两个：BPTT算法和激活函数Tanh
有两种解决方案，分别是ReLU函数和门控RNN(LSTM).
LSTM
LSTM，即长短时记忆网络，于1997年被Sepp Hochreiter 和Jürgen Schmidhuber提出来，LSTM是一种用于深度学习领域的人工循环神经网络（RNN）结构。一个LSTM单元由输入门、输出门和遗忘门组成，三个门控制信息进出单元。
- LSTM依靠贯穿隐藏层的细胞状态实现隐藏单元之间的信息传递，其中只有少量的线性操作
- LSTM引入了“门”机制对细胞状态信息进行添加或删除，由此实现长程记忆
- “门”机制由一个Sigmoid激活函数层和一个向量点乘操作组成，Sigmoid层的输出控制了信息传递的比例
循环神经网络的主要应用
问答系统
自动作曲
机器翻译
24万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
