RNN(Recurrent Neural Network)
一、RNN的概述
比较擅长处理时间序列以及一些结构性的输入。RNN在前向传播的过程中,在t时刻,不仅传入当前状态xt,而且同时传入t-1时刻的隐藏状态ht-1,因此在t时刻不仅考虑输入,而且会考虑前几个状态,从而预测该状态,产生该状态的输出。
二、RNN的前向传播
1)x(t)代表在t时刻训练样本的输入。同样的,x(t−1)和x(t+1)代表在t−1和t+1时刻训练样本的输入。
2)h(t)代表在t时刻模型的隐藏状态。h(t)由x(t)和h(t−1)共同决定。
3)o(t)代表在t时刻模型的输出。o(t)只由模型当前的隐藏状态h(t)决定。
4)L(t)代表在t时刻模型的损失函数。
5)y(t)代表在t时刻训练样本序列的真实输出。
6)U,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。
RNN的前向传播:
t时刻的隐藏状态h(t):h(t) = σ(U·x(t)+W·h(t−1)+b),其中σ为激活函数,一般为tanh
t时刻模型的输出o(t):o(t) = V·h(t)+c
t时刻预测的输出为:y^(t) = σ(o(t)) ,因为RNN是识别类的分类模型,因此该激活函数一般为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y^(t)和y(t)的差距。
三、反向传播(BPTT)
RNN和DNN一样,通过梯度下降算法进行优化,因为RNN是基于时间反向传播,因此RNN的反向传播又叫BPTT(back-propagation through time)。这里注意的是U,W,V,b,c在序列的各个位置都是共享的,因此反向传播时更新的是相同的参数。
四、RNN的问题
1、梯度消失问题。RNN和CNN一样,同样是梯度反向传播进行更新参数。RNN激活函数是tanh,通过对tanh求导,得到的是f‘(x) = 1 - (f(x))^2, f(x)是一个大于-1小于1的数,f’(x)也是一个小于1的数,通过链式法则进行更新参数,会出现多个小于1的数连乘,所以随着RNN时间序列过多的时候,也会出现梯度消失的问题。