Google TensorFlow程序员点赞的文章!
前言
目录:
- 向量表示以及它的维度
- rnn cell
- rnn 向前传播
重点关注:
- 如何把数据向量化的,它们的维度是怎么来的
- 一共其实就是两步: 单个单元的rnn计算,拉通来的rnn计算
在看本文前,可以先看看这篇文章回忆一下:
吴恩达deepLearning.ai循环神经网络RNN学习笔记(理论篇)
我们将实现以下结构的RNN,在这个例子中 Tx = Ty。
向量表示以及它的维度
Input with nx number of units
-
对单个输入样本,x(i) 是一维输入向量。
-
用语言来举个例子,将具有5k个单词词汇量的语言用one-hot编码成具有5k个单位的向量,所以 x(i) 的维度是(5000,)。
-
我们将用符号 nx 表示单个训练样本的单位数。
Batches of size m
-
如果我们取小批量(mini-batches),每个批次有20个训练样本。
-
为了受益于向量化,我们将20个样本 x(i) 变成一个2维数组(矩阵)。
-
比如一个维度是(5000,20)的向量。
-
我们用m来表示训练样本的数量。
-
所以小批量训练数据的维度是 (nx, m)。
Time steps of size Tx
-
循环神经网络有多个时间步骤,我们用t来表示。
-
我们将看到训练样本 x(i) 将经历多个时间步骤 Tx, 比如如果有10个时间步骤,那么 Tx = 10。
3D Tensor of shape (nx, m, Tx)
-
输入x就是用维度是 (nx, m, Tx) 的三维张量来表示。
Taking a 2D slice for each time step:
-
每一个时间步骤,我们用小批量训练样本(不是单个的训练样本)。
-
所以针对每个时间步骤t,我们用维度是 (nx, m)的2维切片。
-
我们把它表示成xt。
隐藏状态a的维度
-
a的定义: 从一个时间步骤到另一个时间步骤的激活值 at, 我们把它叫做隐藏状态。
-
同输入张量 x 一样,对于单个训练样本的隐藏状态,它的向量长度是na。
-
如果我们是包含了m个训练样本的小批量数据,那么小批量维度是 (na, m)。
-
如果我们把时间步加进去,那么隐藏状态的维度就是 (na, m, Tx)。
-
我们将用索引t来遍历时间步,每次操作是从3维张量切片成的2维向量。
-
我们用at来表示2维的切片,它的维度是 (na, m)。
预测值y^的维度
-
同输入x和隐藏状态一样,y