文章目录
引言
虽然全连接神经网络理论上只要训练数据足够,给定特定的x,就能得到希望的y,但是全连接神经网络只能处理独立的输入,前一个输入和后一个输入是完全没有关系的。针对某些任务需要能够更好的处理序列的信息,即前面的输入和后面的输入是有关系的情况,此时,就需要用到循环神经网络RNN,该神经网络能够很好的处理序列信息。
标准的全连接神经网络(fully connected neural network)处理序列数据会有两个问题:
1)全连接神经网络输入层和输出层长度固定,而不同序列的输入、输出可能有不同的长度,选择最大长度并对短序列进行填充(pad)不是一种很好的方式;
2)全连接神经网络同一层的节点之间是无连接的,当需要用到序列之前时刻的信息时,全连接神经网络无法做到,一个序列的不同位置之间无法共享特征。
一、RNN神经元结构(1)
参考于一文搞懂RNN(循环神经网络)基础篇
一个简单的循环神经网络,它由输入层、隐藏层(单个)、输出层构成。
x是输入层的值
U是输入层到隐藏层的权重矩阵
s是隐藏层的值
权重矩阵 W就是上一个时刻隐藏层的值作为这一时刻的输入的权重。循环神经网络的隐藏层的值s不仅仅取决于当前时刻的输入x,还取决于前一时刻隐藏层的值s。
V是隐藏层到输出层的权重矩阵
下图展示了上一时刻的隐藏层是如何影响当前时刻的隐藏层的。
循环神经网络时间线展开图为:
这个网络在t时刻接收到输入xt 之后,隐藏层的值是st ,输出值是 ot 。st的值不仅仅取决于 xt,还取决于 st-1。
循环神经网络计算方法用公式表示为:
二、RNN神经元结构(2)
对于 RNN,一个非常重要的概念就是时刻。RNN 会对每一个时刻的输入结合当前模型的状态给出一个输出。t 时刻 RNN 的主体结构 A 的输入除了来自输入层 Xt,还有一个循环的边来提供从 t−1 时刻传递来的隐藏状态。
将RNN 的主体结构 A 按时间复制可得:
如何设计循环体 A 的网络结构是 RNN 解决实际问题的关键。和卷积神经网络(CNN)过滤器中参数共享类似,在 RNN 中,循环体 A 中的参数在不同时刻也是共享的。
循环体A的结构为:
下图展示了一个最简单的使用单个全连接层作为循环体 A 的 RNN。图中黄色的 tanh 小方框表示一个使用 tanh 作为激活函数的全连接层。