RNN、LSTM、GRU学习资料记录

RNN、LSTM：人人都能看懂的LSTM
GRU：人人都能看懂的GRU
其他参考：
1、深度学习笔记——RNN（LSTM、GRU、双向RNN）学习总结
2、[tensorflow应用之路]RNN预测时间序列原理及LSTM/GRU算法实现
3、pytorch LSTM用于时间序列的分析

一、RNN

RNN：循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络。

1、单个输入$x$：

公式：$f:h^{\prime },y=f(h,x)$
输入：$x$为当前状态下数据的输入，$h$为接收到上一个节点的输入
输出：$y$为当前状态下本节点的输出，$h^{\prime }$为传递到下一个节点的输出

公式1：$h^{\prime }=\sigma (W^{h}h+W^{i}x)$
可以看出，输出$h^{\prime }$，与$h$和$x$的值都有关

公式2：$y=\sigma (W^o{h}^{\prime })$
而$y$则常常使用$h^{\prime }$投入到一个线性层（主要是进行维度映射）然后使用softmax进行分类得到需要的数据。
对这里的$y$如何通过$h^{\prime }$计算得到往往看具体模型的使用方式。

2、序列输入$x^1,x^2,x^3...$:

二、LSTM

LSTM：长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。
简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

2.1 LSTM的输入输出

LSTM结构（图右）和普通RNN（图左）的主要输入输出区别如下所示。

RNN只有一个传递状态$h^t$，而LSTM有两个传递状态，一个$c^t$（cell state），和一个$h^t$（hidden state）。（Tips：RNN中的$h^t$对应于LSTM中的$c^t$）
其中对于传递下去的$c^t$改变得很慢，通常输出的$c^t$是上一个状态传过来的$c^{t-1}$加上一些数值。
而$h^t$则在不同节点下往往会有很大的区别。

2.2 LSTM的内部结构（计算公式）

1、首先使用LSTM的当前输入$x^t$和上一个状态传递下来的$h^{t-1}$先拼接再训练，得到以下四个状态：


其中，$z^i$， $z^f$，$z^o$ 是由拼接向量乘以权重矩阵之后，再通过一个 $sigmoid$激活函数转换成0到1之间的数值，来作为一种门控状态。
$$sigmoid:s(x)=1/(1+e^{(-x)})$$
而$z$则是将结果通过一个$tanh$激活函数将转换成-1到1之间的值（这里使用$tanh$是因为这里是将其做为输入数据，而不是门控信号）。

2、通过以下公式计算得到$c^t$、$h^t$、$y^t$

$⨀$是Hadamard Product，也就是操作矩阵中对应的元素相乘，因此要求两个相乘矩阵是同型的。
$⨁$则代表进行矩阵加法。

2.3 LSTM原理解释

LSTM内部主要有三个阶段：
1、忘记阶段。
这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会 “忘记不重要的，记住重要的”。

具体来说是通过计算得到的$z^f$（f表示forget）来作为忘记门控，来控制上一个状态的$c^{(t-1)}$哪些需要留哪些需要忘。

2、选择记忆阶段。
这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入$x^t$进行选择记忆。哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的$z$表示。而选择的门控信号则是由$z^i$（i代表information）来进行控制。

将上面两步得到的结果相加，即可得到传输给下一个状态的$c^t$。也就是上图中的第一个公式。

3、输出阶段。
这个阶段将决定哪些将会被当成当前状态的输出。主要是通过$z^o$来进行控制的。并且还对上一阶段得到的$c^o$进行了放缩（通过一个tanh激活函数进行变化）。（上图中的第二个公式）

与普通RNN类似，输出$y^t$往往最终也是通过$h^t$变化得到。（上图中的第三个公式）

三、RNN和LSTM的总结、GRU的引入

以上，就是LSTM的内部结构。通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息；而不像普通的RNN那样只能够“呆萌”地仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说，尤其好用。

但也因为引入了很多内容，导致参数变多，也使得训练难度加大了很多。因此很多时候我们往往会使用效果和LSTM相当但参数更少的GRU来构建大训练量的模型。

四、GRU

GRU（Gate Recurrent Unit）是RNN的一种。和LSTM一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。
相比LSTM，使用GRU能够达到相当的效果，并且相比之下更容易进行训练，能够很大程度上提高训练效率，因此很多时候会更倾向于使用GRU。

4.1 GRU的输入输出

和RNN一样：

4.2 GRU的内部结构（计算公式）

1、通过上一个传输下来的状态$h^{(t-1)}$和当前节点的输入$x^t$来获取两个门控状态。
如下图所示，其中$r$控制重置的门控（reset gate），$z$为控制更新的门控（update gate）。

2、得到门控信号之后，首先使用重置门控来得到“重置”之后的数据 ${h^{t-1}}^{\prime }=h^{t-1}⨀r$
再将${h^{t-1}}^{\prime }$与输入$x^t$进行拼接，再通过一个tanh激活函数来将数据放缩到-1~1的范围内。即得到如下图所示的$h^{\prime }$。

这里的$h^{\prime }$主要是包含了当前输入的$x^t$数据。有针对性地对$h^{\prime }$添加到当前的隐藏状态，相当于”记忆了当前时刻的状态“。类似于LSTM的选择记忆阶段。

3、最后介绍GRU最关键的一个步骤，我们可以称之为”更新记忆“阶段。

在这个阶段，我们同时进行了遗忘和记忆两个步骤。我们使用了先前得到的更新门控$z$（update gate）。

更新表达式：$h^t=z⨀h^{t-1}+(1-z)⨀h^{\prime }$
输出表达式：$y^t=\sigma (W{h}^t)$

首先再次强调一下，门控信号（这里的$z$）的范围为0~1。门控信号越接近1，代表”记忆“下来的数据越多；而越接近0则代表”遗忘“的越多。

GRU很聪明的一点就在于，我们使用了同一个门控$z$就同时可以进行遗忘和选择记忆（LSTM则要使用多个门控）。

• $z⨀h^{t-1}$：表示对原本隐藏状态的选择性“遗忘”。这里的 $z$ 可以想象成遗忘门（forget gate），忘记 $h^{t-1}$ 维度中一些不重要的信息。
• $(1-z)⨀h^{\prime }$ ： 表示对包含当前节点信息的 $h^{\prime }$ 进行选择性”记忆“。与上面类似，这里的 $(1-z)$ 同理会忘记 $h^{\prime }$ 维度中的一些不重要的信息。或者，这里我们更应当看做是对 $h^{\prime }$ 维度中的某些信息进行选择。

结合上述，这一步的操作就是忘记传递下来的 $h^{t-1}$ 中的某些维度信息，并加入当前节点输入 $h^{\prime }$ 的某些维度信息。

可以看到，这里的遗忘 $z$ 和选择 $(1-z)$ 是联动的。也就是说，对于传递进来的维度信息，我们会进行选择性遗忘，则遗忘了多少权重 （$z$），我们就会使用包含当前输入的 $h^{\prime }$ 中所对应的权重进行弥补 $(1-z)$ 。以保持一种”恒定“状态。

4.3 LSTM与GRU的关系

GRU是在2014年提出来的，而LSTM是1997年。
$r$ (reset gate)实际上与他的名字有点不符。我们仅仅使用它来获得了 $h^{\prime }$。
那么这里的 $h^{\prime }$ 实际上可以看成对应于LSTM中的 $h^t$（hidden state）；上一个节点传下来的 $h^{t-1}$ 则对应于LSTM中的 $c^t$（cell state）。
$z$ 对应的则是LSTM中的 $z^f$（forget gate），那么 $(1-z)$ 我们似乎就可以看成是选择门 $z^i$ 了。