循环神经网络

1. 循环神经网络

在DNN和CNN中，训练样本的输入和输出是比较的确定的。但是有一类问题DNN和CNN不好解决，就是训练样本输入是连续的序列,且序列的长短不一，比如基于时间的序列：一段段连续的语音，一段段连续的手写文字。这些序列比较长，且长度不一，比较难直接的拆分成一个个独立的样本来通过DNN/CNN进行训练。

对于这类问题，RNN则比较的擅长。那么RNN是怎么做到的呢？

假设我们的样本是基于序列的，比如从序列索引$1$到序列索引$\tau$的。对于这其中的任意序列索引号$t$,它对应的输入是对应的样本序列中的$x^{(t)}$。而模型在序列索引号$t$位置的隐藏状态$h^{(t)}$，则由$x^{(t)}$和在$t-1$位置的隐藏状态$h^{(t-1)}$共同决定。在任意序列索引号$t$，我们也有对应的模型预测输出$o^{(t)}$。通过预测输出$o^{(t)}$和训练序列真实输出$y^{(t)}$,以及损失函数$L^{(t)}$，我们就可以用DNN类似的方法来训练模型，接着用来预测测试序列中的一些位置的输出。

1.1 RNN的结构

首先看一个简单的循环神经网络如，它由输入层、一个隐藏层和一个输出层组成：

在上图中 x表示的是输入层的值；s表示的是隐藏层的值；U是输入层到隐藏层的权重矩阵；o表示输出层的值；V是隐藏层到输出层的权重矩阵。

如果我们把上面的图展开，循环神经网络也可以画成下面这个样子：

这个网络在$t$时刻接收到输入$X_t$ 之后，隐藏层的值是 $S_t$ ，输出值是$O_t$ 。关键一点是， $S_t$ 的值不仅仅取决于 $X_t$ ，还取决于 $S_{t-1}$。我们可以用下面的公式来表示循环神经网络的计算方法：
$$\begin{gathered} O_t=g(V\ast S_t) \\ {S}_t=f(U\ast X_t+W\ast S_{t-1}) \end{gathered}$$
$S_t$的值不仅仅取决于$X_t$, 还取决于$S_{t-1}$

但该网络的输出$O_t$ 如何与真实值比较呢？下面来看一下更详细的图：

上图中左边是RNN模型没有按时间展开的图，如果按时间序列展开，则是上图中的右边部分。我们重点观察右边部分的图。

这幅图描述了在序列索引号$t$ 附近RNN的模型。其中：　　　　
1）$x^{(t)}$代表在序列索引号$t$时训练样本的输入。同样的，$x^{(t-1)}$ 和$x^{(t+1)}$ 代表在序列索引号$t-1$和$t+1$时训练样本的输入。　　　　
2）$h^{(t)}$代表在序列索引号$t$ 时模型的隐藏状态。$h^{(t)}$ 由$x^{(t)}$和$h^{(t-1)}$共同决定。　　　　
3）$o^{(t)}$ 代表在序列索引号$t$ 时模型的输出。$o^{(t)}$只由模型当前的隐藏状态$h^{(t)}$决定。　　　　
4）$L^{(t)}$ 代表在序列索引号$t$时模型的损失函数。　　　　
5）$y^{(t)}$代表在序列索引号$t$ 时训练样本序列的真实输出。　　　　
6）U,W,VU,W,V 这三个矩阵是我们的模型的线性关系参数，它在整个RNN网络中是共享的，这点和DNN很不相同。 也正因为是共享了，它体现了RNN的模型的“循环反馈”的思想。

1.2 RNN前向传播算法

有了上面的模型，RNN的前向传播算法就很容易得到了。　　　　
对于任意一个序列索引号t，我们隐藏状态$h^{(t)}$ 由$x^{(t)}$和$h^{(t-1)}$得到：
$$h^{(t)}=\sigma (z^{(t)})=\sigma (U{x}^{(t)}+W{h}^{(t-1)}+b)$$

其中σ 为RNN的激活函数，一般为tanh, b为线性关系的偏倚。序列索引号t时模型的输出$o^{(t)}$的表达式比较简单：
$$o^{(t)}=V{h}^{(t)}+c$$

在最终在序列索引号t时我们的预测输出为:
$$y^{(t)}=\sigma (o(t))$$

通常由于RNN是识别类的分类模型，所以上面这个激活函数一般是softmax。　　　　
通过损失函数$L^{(t)}$，比如对数似然损失函数，我们可以量化模型在当前位置的损失，即${\hat{y}}^{(t)}$和$y^{(t)}$的差距。

1.3 RNN反向传播算法

RNN反向传播算法的思路和DNN是一样的，即通过梯度下降法一轮轮的迭代，得到合适的RNN模型参数U,W,V,b,c。由于我们是基于时间反向传播，所以RNN的反向传播有时也叫做BPTT(back-propagation through time)。当然这里的BPTT和DNN也有很大的不同点，即这里所有的U,W,V,b,c在序列的各个位置是共享的，反向传播时我们更新的是相同的参数。
为了简化描述，这里的损失函数我们为对数损失函数，输出的激活函数为softmax函数，隐藏层的激活函数为tanh函数。
对于RNN，由于我们在序列的每个位置都有损失函数，因此最终的损失L为：

　其中V,c 的梯度计算是比较简单的：

但是W,U,b的梯度计算就比较的复杂了。从RNN的模型可以看出，在反向传播时，在某一序列位置t的梯度损失由当前位置的输出对应的梯度损失和序列索引位置t+1时的梯度损失两部分共同决定。对于W在某一序列位置t的梯度损失需要反向传播一步步的计算。我们定义序列索引t位置的隐藏状态的梯度为：

1.4 RNN存在的问题

RNN链式的特征揭示了 其本质上是与序列和列表相关的。他们是对于这类数据的最自然的神经网络架构。
RNN面临的最大挑战就是无法解决长期依赖问题。例如对下面两句话：

最后的was与were如何选择是和前面的单复数有关系的，但对于简单的RNN来说，两个词相隔比较远，如何判断是单数还是复数就很关键。

RNN受到短期记忆的影响。如果序列很长，他们将很难将信息从较早的时间步传送到后面的时间步。因此，如果你尝试处理一段文本进行预测，RNN可能会遗漏开头的重要信息。

在反向传播期间，RNN存在梯度消失的问题（梯度用于更新神经网络权重的值）。梯消失度问题是当梯度反向传播随着时间的推梯度逐渐收缩。如果梯度值变得非常小，则不会产生太多的学习。

因此，在递归神经网络中，获得小梯度更新的层会停止学习。那些通常是较早的层。因为这些层不再学习，RNN会忘记它在较长序列中看到的内容，因此只有短期记忆。

** 解决方法**

1）渗透单元及其它多时间尺度的策略
2）长短期记忆和其它门控RNN
3）优化长期依赖（截断梯度、引导信息流的正则化）
LSTM和GRU解决方案LSTM和GRU是作为短期记忆的解决方案而创建的。它们具有称为门（gate）的内部机制，它可以调节信息流。

下面将会对长短期记忆网络（LSTM）以及门控循环单元（GRU）做介绍

参考文献：

http://ai.51cto.com/art/201711/559441.htm
https://www.cnblogs.com/pinard/p/6509630.html
https://blog.csdn.net/mpk_no1/article/details/72875185
https://blog.csdn.net/qq_28437273/article/details/79656605
https://www.atyun.com/30234.html

2. LSTM

LSTM（Long Short Term Memory） 是一种特殊的 RNN 类型，可以学习长期依赖信息。LSTM 由Hochreiter & Schmidhuber (1997)提出，并在近期被Alex Graves进行了改良和推广。在很多问题，LSTM 都取得相当巨大的成功，并得到了广泛的使用。

2.1 LSTM的结构

LSTM 通过刻意的设计来避免长期依赖问题。记住长期的信息在实践中是 LSTM 的默认行为，而非需要付出很大代价才能获得的能力！所有 RNN 都具有一种重复神经网络模块的链式的形式。在标准的 RNN 中，这个重复的模块只有一个非常简单的结构，例如一个 tanh 层。LSTM是一种拥有三个“门”结构的特殊网络结构，如下图：

LSTM 靠一些“门”的结构让信息有选择性地影响RNN中每个时刻的状态。所谓“门”的结构就是一个使用sigmod神经网络和一个按位做乘法的操作，这两个操作合在一起就是一个“门”结构。之所以该结构叫做门是因为使用sigmod作为激活函数的全连接神经网络层会输出一个0到1之间的值，描述当前输入有多少信息量可以通过这个结构，于是这个结构的功能就类似于一扇门，当门打开时（sigmod输出为1时），全部信息都可以通过；当门关上时（sigmod输出为0），任何信息都无法通过。

2.2 LSTM模型结构剖析

2.2.1 LSTM之遗忘门

2.2.2 LSTM之输入门

2.2.3 LSTM之细胞状态更新

2.2.4 LSTM之输出门

2.3 LSTM前向传播算法

2.4 LSTM反向传播算法推导关键点

这部分内容来自以下链接：
https://www.cnblogs.com/pinard/p/6519110.html

参考链接：

https://blog.csdn.net/mpk_no1/article/details/72875185
https://www.cnblogs.com/pinard/p/6519110.html
https://www.atyun.com/30234.html
https://www.cnblogs.com/pinard/p/6519110.html

3. GRU

GRU可以看成是LSTM的变种，GRU把LSTM中的遗忘门和输入门用更新门来替代。

GRU是新一代RNN，与LSTM非常相似。GRU不使用单元状态，而是使用隐藏状态来传输信息。它只有两个门，一个重置门和一个更新门（reset gate and update gate）。下图是GRU更新$h_t$的过程：

更新门的作用类似于LSTM的遗忘和输入门。它决定要丢弃哪些信息和要添加哪些新信息。
重置门是另一个用来决定要忘记多少过去的信息的门。这就是GRU。GRU的张量操作较少；因此，他们的训练速度要比LSTM快一些。

参考链接:

https://www.cnblogs.com/pinard/p/6519110.html
https://www.atyun.com/30234.html
https://blog.csdn.net/mpk_no1/article/details/72875185

4. 双向RNN

BRNN是连接两个相反的隐藏层到同一个输出．基于生成性深度学习，输出层能够同时的从前向和后向接收信息．该架构是1997年被Schuster和Paliwal提出的．引入BRNNS是为了增加网络所用的输入信息量．例如，多层感知机（MLPS）和延时神经网络(TDNNS)在输入数据的灵活性方面是非常有局限性的．因为他们需要输入的数据是固定的．标准的递归神经网络也有局限，就是将来的数据数据不能用现在状态来表达．BRNN恰好能够弥补他们的劣势．它不需要输入的数据固定，与此同时，将来的输入数据也能从现在的状态到达．

BRNN的原理是将正则RNN的神经元分成两个方向。一个用于正时方向（正向状态），另一个用于负时间方向（反向状态）．这两个状态的输出没有连接到相反状态的输入。通过这两个时间方向，可以使用来自当前时间帧的过去和将来作为输入信息，输出由这两个RNN的状态共同决定。

从上图可以看出，双向RNN的主题结构就是两个单向RNN的结合。在每一个时刻t，输入会同时提供给这两个方向相反的RNN，而输出则是由这两个单向RNN共同决定（可以拼接或者求和等）。
同样地，将双向RNN中的RNN替换成LSTM或者GRU结构，则组成了BiLSTM和BiGRU。

参考链接

https://www.cnblogs.com/dylancao/p/9882677.html
https://blog.csdn.net/mpk_no1/article/details/72875185

5. Text-RNN的原理

参考链接：

https://blog.csdn.net/tcx1992/article/details/78194384

利用Text-RNN模型来进行文本分类。

6. Recurrent Convolutional Neural Networks（RCNN）原理