循环神经网络的训练
循环神经网络的训练算法:BPTT
BPTT算法是针对循环层的训练算法,它的基本原理和BP算法是一样的,也包含同样的三个步骤:
- 前向计算每个神经元的输出值;
- 反向计算每个神经元的误差项 δj 值,它是误差函数E对神经元j的加权输入 netj 的偏导数;
- 计算每个权重的梯度。
最后再用随机梯度下降算法更新权重。
循环层如下图所示:
前向计算
使用前面的式2对循环层进行前向计算:
st=f(Uxt+Wst−1)
注意,上面的 st 、 xt 、 st−1 都是向量,用黑体字母表示;而U、V是矩阵,用大写字母表示。向量的下标表示时刻,例如, st 表示在t时刻向量s的值。
我们假设输入向量x的维度是m,输出向量s的维度是n,则矩阵U的维度是 n×m ,矩阵W的维度是 n×n 。下面是上式展开成矩阵的样子,看起来更直观一些:
⎡⎣⎢⎢⎢⎢⎢st1st2..stn⎤⎦⎥⎥⎥⎥⎥=f(⎡⎣⎢⎢⎢⎢u11u12...u1mu21u22...u2m..un1un2...unm⎤⎦⎥⎥⎥⎥⎡⎣⎢⎢⎢⎢x1x2..xm⎤⎦⎥⎥⎥⎥+⎡⎣⎢⎢⎢⎢w11w12...w1nw21w22...w2n..wn1wn2...wnn⎤⎦⎥⎥⎥⎥⎡⎣⎢⎢⎢⎢⎢st−11st−12..st−1n⎤⎦⎥⎥⎥⎥⎥)(19)
在这里我们用手写体字母表示向量的一个元素,它的下标表示它是这个向量的第几个元素,它的上标表示第几个时刻。例如, stj 表示向量s的第j个元素在t时刻的值。 uji 表示输入层第i个神经元到循环层第j个神经元的权重。 wji 表示循环层第t-1时刻的第i个神经元到循环层第t个时刻的第j个神经元的权重。
误差项的计算
BTPP算法将第l层t时刻的误差项 δlt 值沿两个方向传播,一个方向是其传递到上一层网络,得到 δl−1t ,这部分只和权重矩阵U有关;另一个是方向是将其沿时间线传递到初始 t1 时刻,得到 δl1 ,这部分只和权重矩阵W有关。
我们用向量 nett 表示神经元在t时刻的加权输入,因为:
nettst−1=Uxt+Wst−1=f(net