递归神经网络_RNN、LSTM、Word2Vec

一、RNN原理

RNN的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的。
序列数据往往前后时刻是相关的，因此用RNN。

RNN特点
1、权值共享，图中的W全是相同的，U和V也一样。
2、每一个输入值都只与它本身的那条路线建立权连接，不会和别的神经元连接。

• 前向传播
  $s_t=tanh(W{s}_{t-1}+U{x}_t)$
  ${\hat{y}}_t=o_t=Softmax(V{s}_t)$
  交叉熵损失函数：
  

• 反向传播
  

应用

多层网络、双向网络结构


RNN缺点
容易出现梯度消失或者梯度爆炸的问题(BP算法和长时间依赖造成的). 注意: 这里的梯度消失（U的特征值小于1，反向传播$U^{n-k}$会越来越小）和BP的不一样,这里主要指由于时间过长而造成记忆值较小的现象.

二、LSTM

LSTM（long short-term memory）。长短期记忆网络是RNN的一种变体，RNN由于梯度消失的原因只能有短期记忆（如下图），LSTM网络通过精妙的门控制将加法运算带入网络中，一定程度上解决了梯度消失的问题。



总结

LSTM变种

• 1）、Peephole connection
  
• 2）、耦合忘记门
  
• 3）、GRU
  它将忘记门和输入门合并成为一个单一的更新门, 同时合并了数据单元状态和隐藏状态, 使得模型结构比之于LSTM更为简单.
  

三、Word2Vec

word2vec也叫word embeddings，中文名“词向量”，作用就是将自然语言中的字词转为计算机可以理解的稠密向量

总结

Word2Vec特点

编辑：从损失函数的角度看word2vec
word2vec模型深度解析

四、LSTM示例