（pytorch-深度学习）通过时间反向传播

通过时间反向传播

介绍循环神经网络中梯度的计算和存储方法，即通过时间反向传播（back-propagation through time）。

• 正向传播和反向传播相互依赖。
• 正向传播在循环神经网络中比较直观，而通过时间反向传播其实是反向传播在循环神经网络中的具体应用。
• 我们需要将循环神经网络按时间步展开，从而得到模型变量和参数之间的依赖关系，并依据链式法则应用反向传播计算并存储梯度。

定义模型

考虑一个简单的无偏差项的循环神经网络，且激活函数为恒等映射（$\varphi (x)=x$）。设时间步 $t$ 的输入为单样本 ${\mathbf{x}}_t\in {\mathbb{R}}^d$，标签为 $y_t$，那么隐藏状态 ${\mathbf{h}}_t\in {\mathbb{R}}^h$的计算表达式为

$${\mathbf{h}}_t={\mathbf{W}}_{hx}{\mathbf{x}}_t+{\mathbf{W}}_{hh}{\mathbf{h}}_{t-1},$$

其中${\mathbf{W}}_{hx}\in {\mathbb{R}}^{h\times d}$和${\mathbf{W}}_{hh}\in {\mathbb{R}}^{h\times h}$是隐藏层权重参数。设输出层权重参数${\mathbf{W}}_{qh}\in {\mathbb{R}}^{q\times h}$，时间步$t$的输出层变量${\mathbf{o}}_t\in {\mathbb{R}}^q$计算为

$${\mathbf{o}}_t={\mathbf{W}}_{qh}{\mathbf{h}}_t.$$

设时间步$t$的损失为$\ell ({\mathbf{o}}_t,y_t)$。时间步数为$T$的损失函数$L$定义为

$$L=\frac{1}{T}\sum _{t=1}^T\ell ({\mathbf{o}}_t,y_t).$$

将$L$称为有关给定时间步的数据样本的目标函数。

模型计算图

为了可视化循环神经网络中模型变量和参数在计算中的依赖关系，我们可以绘制模型计算图，像下图。例如，时间步3的隐藏状态${\mathbf{h}}_3$的计算依赖模型参数${\mathbf{W}}_{hx}$、${\mathbf{W}}_{hh}$、上一时间步隐藏状态${\mathbf{h}}_2$以及当前时间步输入${\mathbf{x}}_3$。

表示了时间步数为3的循环神经网络模型计算中的依赖关系。

• 方框代表变量（无阴影）或参数（有阴影），圆圈代表运算符

方法

图中的模型的参数是 ${\mathbf{W}}_{hx}$, ${\mathbf{W}}_{hh}$ 和 ${\mathbf{W}}_{qh}$。训练模型通常需要模型参数的梯度$\partial L/\partial {\mathbf{W}}_{hx}$、$\partial L/\partial {\mathbf{W}}_{hh}$和$\partial L/\partial {\mathbf{W}}_{qh}$。 图中的依赖关系，我们可以按照其中箭头所指的反方向依次计算并存储梯度。

• 首先，目标函数有关各时间步输出层变量的梯度$\partial L/\partial {\mathbf{o}}_t\in {\mathbb{R}}^q$很容易计算：

$$\frac{\partial L}{\partial {\mathbf{o}}_t}=\frac{\partial \ell ({\mathbf{o}}_t,y_t)}{T\cdot \partial {\mathbf{o}}_t}.$$

• 之后，可以计算目标函数有关模型参数${\mathbf{W}}_{qh}$的梯度$\partial L/\partial {\mathbf{W}}_{qh}\in {\mathbb{R}}^{q\times h}$。根据计算图，$L$通过${\mathbf{o}}_1,\dots ,{\mathbf{o}}_T$依赖${\mathbf{W}}_{qh}$。依据链式法则，

$$\frac{\partial L}{\partial {\mathbf{W}}_{qh}}=\sum _{t=1}^T\text{prod}\left(\frac{\partial L}{\partial {\mathbf{o}}_t},\frac{\partial {\mathbf{o}}_t}{\partial {\mathbf{W}}_{qh}}\right)=\sum _{t=1}^T\frac{\partial L}{\partial {\mathbf{o}}_t}{\mathbf{h}}_t^{\top }.$$

• 其次，隐藏状态之间也存在依赖关系。 在计算图中，$L$只通过${\mathbf{o}}_T$依赖最终时间步$T$的隐藏状态${\mathbf{h}}_T$。因此，我们先计算目标函数有关最终时间步隐藏状态的梯度$\partial L/\partial {\mathbf{h}}_T\in {\mathbb{R}}^h$。依据链式法则，我们得到

$$\frac{\partial L}{\partial {\mathbf{h}}_T}=\text{prod}\left(\frac{\partial L}{\partial {\mathbf{o}}_T},\frac{\partial {\mathbf{o}}_T}{\partial {\mathbf{h}}_T}\right)={\mathbf{W}}_{qh}^{\top }\frac{\partial L}{\partial {\mathbf{o}}_T}.$$

• 接下来对于时间步$t<T$, 在计算图中，$L$通过${\mathbf{h}}_{t+1}$和${\mathbf{o}}_t$依赖${\mathbf{h}}_t$。依据链式法则， 目标函数有关时间步$t<T$的隐藏状态的梯度$\partial L/\partial {\mathbf{h}}_t\in {\mathbb{R}}^h$需要按照时间步从大到小依次计算：
  $$\frac{\partial L}{\partial {\mathbf{h}}_t}=\text{prod}(\frac{\partial L}{\partial \mathbf{h}t+1},\frac{\partial \mathbf{h}t+1}{\partial {\mathbf{h}}_t})+\text{prod}(\frac{\partial L}{\partial {\mathbf{o}}_t},\frac{\partial {\mathbf{o}}_t}{\partial {\mathbf{h}}_t})={\mathbf{W}}_{hh}^{\top }\frac{\partial L}{\partial {\mathbf{h}}_{t+1}}+{\mathbf{W}}_{qh}^{\top }\frac{\partial L}{\partial {\mathbf{o}}_t}$$

• 将上面的递归公式展开，对任意时间步$1\le t\le T$，我们可以得到目标函数有关隐藏状态梯度的通项公式

$$\frac{\partial L}{\partial {\mathbf{h}}_t}=\sum _{i=t}^T{\left({\mathbf{W}}_{hh}^{\top }\right)}^{T-i}{\mathbf{W}}_{qh}^{\top }\frac{\partial L}{\partial {\mathbf{o}}_{T+t-i}}.$$

由上式中的指数项可见，当时间步数 $T$ 较大或者时间步 $t$ 较小时，目标函数有关隐藏状态的梯度较容易出现衰减和爆炸。这也会影响其他包含$\partial L/\partial {\mathbf{h}}_t$项的梯度，例如隐藏层中模型参数的梯度$\partial L/\partial {\mathbf{W}}_{hx}\in {\mathbb{R}}^{h\times d}$和$\partial L/\partial {\mathbf{W}}_{hh}\in {\mathbb{R}}^{h\times h}$。 在图中，$L$通过${\mathbf{h}}_1,\dots ,{\mathbf{h}}_T$依赖这些模型参数。 依据链式法则，有

$$\begin{array}{rl}\frac{\partial L}{\partial {\mathbf{W}}_{hx}}& =\sum _{t=1}^T\text{prod}\left(\frac{\partial L}{\partial {\mathbf{h}}_t},\frac{\partial {\mathbf{h}}_t}{\partial {\mathbf{W}}_{hx}}\right)=\sum _{t=1}^T\frac{\partial L}{\partial {\mathbf{h}}_t}{\mathbf{x}}_t^{\top },\\ \frac{\partial L}{\partial {\mathbf{W}}_{hh}}& =\sum _{t=1}^T\text{prod}\left(\frac{\partial L}{\partial {\mathbf{h}}_t},\frac{\partial {\mathbf{h}}_t}{\partial {\mathbf{W}}_{hh}}\right)=\sum _{t=1}^T\frac{\partial L}{\partial {\mathbf{h}}_t}{\mathbf{h}}_{t-1}^{\top }.\end{array}$$

每次迭代中，我们在依次计算完以上各个梯度后，会将它们存储起来，从而避免重复计算。

• 例如，由于隐藏状态梯度$\partial L/\partial {\mathbf{h}}_t$被计算和存储，之后的模型参数梯度$\partial L/\partial {\mathbf{W}}_{hx}$和$\partial L/\partial {\mathbf{W}}_{hh}$的计算可以直接读取$\partial L/\partial {\mathbf{h}}_t$的值，而无须重复计算它们。
• 此外，反向传播中的梯度计算可能会依赖变量的当前值。它们正是通过正向传播计算出来的。 举例来说，参数梯度$\partial L/\partial {\mathbf{W}}_{hh}$的计算需要依赖隐藏状态在时间步$t=0,\dots ,T-1$的当前值${\mathbf{h}}_t$（${\mathbf{h}}_0$是初始化得到的）。这些值是通过从输入层到输出层的正向传播计算并存储得到的。