循环神经网络RNN 1—— 基本模型及其变体

RNN是非常重要的神经网络结构，直接将数据处理提高了一个维度，在序列数据建模方面效果非常好，广泛应用于语音、视频、文本等领域，本篇将从模型结构上对RNN进行总结。
（文末有相关的参考资料连接，有兴趣的可以进一步拓展。）
循环神经网络RNN 1—— 基本模型及其变体
循环神经网络RNN 2—— attention注意力机制（附代码）
循环神经网络RNN 3——LSTM及其变体

---

1，RNN的基本结构

RNN结构是从基本的神经网络变换而来的，加入了时间维度，可以很方便的处理序列数据。

1.1，单层网络

首先要了解一下最基本的单层网络，它的结构如图，输入是$x$，经过变换$Wx+b$和激活函数f得到输出$y$，这个不必多说。

1.2，经典的RNN结构（N vs N）

如：
• 自然语言处理问题。x1可以看做是第一个单词，x2可以看做是第二个单词，依次类推。
• 语音处理。此时，x1、x2、x3……是每帧的声音信号。
• 时间序列问题。例如每天的股票价格等等
我们一般看到的RNN结构是这样的：

计算公式是这样的：

$$\begin{array}{rl}& O_t=g(V\ast S_t)\\ & S_t=f(U\ast X_t+W\ast S_{t-1})\end{array}$$

思路很简单：
x为输入，s为隐藏层，o为输出，u和v分别是权重，这是一般的神经网络，由于数据是序列数据，按照时间线展开，逐次输入数据x，依次训练神经网络，其中u和v的参数是共享的，其中连接时间数据的就是w，不同时间点的w也是共享的，起到对之前数据记忆的作用。

下面我们看下细节：
为了建模序列问题，RNN引入了隐状态h（hidden state）的概念（用后面用h表示隐藏层），h可以对序列形的数据提取特征，接着再转换为输出。先从h1的计算开始看：

图示中记号的含义是：
• 圆圈或方块表示的是向量。
• 一个箭头就表示对该向量做一次变换。如上图中$h_0$和$x_1$分别有一个箭头连接，就表示对$h_0$和$x_1$各做了一次变换。
$h_2$的计算和$h_1$类似。要注意的是，在计算时，每一步使用的参数U、W、b都是一样的，也就是说每个步骤的参数都是共享的，这是RNN的重要特点。

依次计算剩下来的（使用相同的参数U、W、b）：

我们这里为了方便起见，只画出序列长度为4的情况，实际上，这个计算过程可以无限地持续下去。
我们目前的RNN还没有输出，得到输出值的方法就是直接通过h进行计算：

正如之前所说，一个箭头就表示对对应的向量做一次类似于$f(Wx+b)$的变换，这里的这个箭头就表示对$h_1$进行一次变换，得到输出$y_1$。

剩下的输出类似进行（使用和$y_1$同样的参数$V$和$c$）：

以上就是最经典的RNN结构，我们像搭积木一样把它搭好了。它的输入是x1, x2, …xn，输出为y1, y2, …yn，也就是说，输入和输出序列必须要是等长的。

由于这个限制的存在，经典RNN的适用范围比较小，但也有一些问题适合用经典的RNN结构建模，如：
• 计算视频中每一帧的分类标签。因为要对每一帧进行计算，因此输入和输出序列等长。
• 输入为字符，输出为下一个字符的概率。这就是著名的Char RNN（详细介绍请参考：The Unreasonable Effectiveness of Recurrent Neural Networks，地址：http://karpathy.github.io/2015/05/21/rnn-effectiveness/。Char RNN可以用来生成文章，诗歌）。

2、RNN变体

2.1 N vs 1 模型

有的时候，我们要处理的问题输入是一个序列，输出是一个单独的值而不是序列，应该怎样建模呢？实际上，我们只在最后一个h上进行输出变换就可以了：

这种结构通常用来处理序列分类问题。如输入一段文字判别它所属的类别，输入一个句子判断其情感倾向，输入一段视频并判断它的类别等等。

2.2， 1 vs N 模型

输入不是序列而输出为序列的情况怎么处理？我们可以只在序列开始进行输入计算：

还有一种结构是把输入信息X作为每个阶段的输入：

这种1 VS N的结构可以处理的问题有：
• 从图像生成文字（image caption），此时输入的X就是图像的特征，而输出的y序列就是一段句子
• 从类别生成语音或音乐等

2.3、N vs N模型

得到c有多种方式，最简单的方法就是把Encoder的最后一个隐状态赋值给c，还可以对最后的隐状态做一个变换得到c，也可以对所有的隐状态做变换。
拿到c之后，就用另一个RNN网络对其进行解码，这部分RNN网络被称为Decoder。具体做法就是将c当做之前的初始状态$h_0$输入到Decoder中：

还有一种做法是将c当做每一步的输入：

由于这种Encoder-Decoder结构不限制输入和输出的序列长度，因此应用的范围非常广泛，比如：
• 机器翻译。Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译领域最先提出的
• 文本摘要。输入是一段文本序列，输出是这段文本序列的摘要序列。
• 阅读理解。将输入的文章和问题分别编码，再对其进行解码得到问题的答案。
• 语音识别。输入是语音信号序列，输出是文字序列。

参考资料：
https://www.leiphone.com/news/201709/8tDpwklrKubaecTa.html
https://zhuanlan.zhihu.com/p/67115572
https://zhuanlan.zhihu.com/p/30844905