循环神经网络RNN入门介绍

循环神经网络RNN是专门用于处理序列数据而生，其在处理序列数据方面存在天然优势。

一、RNN基本结构及数学推导

RNN基本结构如下： 其中各参数含义如下：

U——输入层到隐藏层的权重矩阵； V——隐藏层到输出层的权重矩阵；

x是一个向量，它表示输入层的值； s是一个向量，它表示隐藏层的值； o也是一个向量，它表示输出层的值；

循环神经网络的隐藏层的值s不仅仅取决于当前这次的输入x，还取决于上一次隐藏层的值s。权重矩阵W就是隐藏层上一次的值作为这一次的输入的权重。 那么我们将第二个公式一直代入到第一个公式后，就会有下面推导： 从上图可以看出，当前时刻确实包含了历史信息，这也就说明了循环神经网络（RNN）为什么能够记忆历史信息，在很多任务上也确实需要用到这样的特性。

注意：

1. 这里的W,U,V在每个时刻都是相等的**(权重共享)**
2. 隐藏状态可以理解为: S=f(现有的输入+过去记忆总结)

优势劣势1.能处理任意长度的输入；2.模型大小不随输入长度影响；3.计算过往的历史数据；4.权值共享；1.计算速度慢2.对短期信息敏感，缺乏长期依赖 二、RNN的缺陷及改进方法

前面我们介绍了RNN的算法, 它处理时间序列的问题的效果很好, 但是仍然存在着一些问题, 其中较为严重的是容易出现梯度消失或者梯度爆炸的问题(BP算法和长时间依赖造成的). 注意: 这里的梯度消失和BP的不一样,这里主要指由于时间过长而造成记忆值较小的现象。

因此, 就出现了一系列的改进的算法, 其中最重要的两种算法分别是LSTM和GRU。

LSTM 和 GRU对于梯度消失或者梯度爆炸的问题处理方法主要是：

• 对于梯度消失：由于它们都有特殊的方式存储”记忆”，那么以前梯度比较大的”记忆”不会像简单的RNN一样马上被抹除，因此可以一定程度上克服梯度消失问题。
• 对于梯度爆炸：用来克服梯度爆炸的问题就是gradient clipping，也就是当你计算的梯度超过阈值c或者小于阈值-c的时候，便把此时的梯度设置成c或-c。

三、长短期记忆网络（LSTM）

长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

公式及理论推导略。有需要详细了解的可以参考其他LSTM文章。

四、门控循环单元（GRU）

GRU（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。GRU于2014年提出。 GRU和LSTM在很多情况下实际表现上相差无几，那么为什么我们要使用新人GRU（2014年提出）而不是相对经受了更多考验的LSTM（1997提出）呢？ 选择GRU是因为它的实验效果与LSTM相似，但是更易于计算。

与普通RNN相比，GRU增加了两个结构：

• 重置门：用于控制哪些信息需要遗忘；
• 更新门：用于控制哪些信息需要注意； 激活函数为sigmoid，值域为（0，1），0表示遗忘，1表示保留。

GRU基本结构如下图所示： 图中的 Z t Z_t Zt​和 R t R_t Rt​分别表示更新门和重置门。 更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多； 重置门用于控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少；

4.1 GRU的前向传播

根据上面的GRU的模型图，我们来看看网络的前向传播公式： 其中[]表示两个向量相连。

从上述公式可以看出，Zt越大，Ht中 H ~ t \tilde{H}_t H~t​的比例就越大。 这也意味着更新门决定了隐藏状态信息对于最终输出的重要性。这也符合了生物记忆机制，即过去发生的一切都无需全部记住。需要记住一些更为“重要”的信息，而其他信息将在一定程度上被遗忘。

4.2 GRU的训练过程

从前向传播过程中的公式可以看出要学习的参数有Wr、Wz、Wh、Wo。其中前三个参数都是拼接的（因为后先的向量也是拼接的），所以在训练的过程中需要将他们分割出来： 即重置门和更新门也可以写成： 其中， x t x_t xt​表示当前时刻的输入向量， H t − 1 H_{t-1} Ht−1​表示前一时刻模型的输出向量， W r h W_{rh} Wrh​， W r x ， W_{rx}， Wrx​，W_{zx}， W z h W_{zh} Wzh​表示权值矩阵， R t R_t Rt​表示重置门的输出， Z t Z_t Zt​表示更新门的输出，σ作为控制门，表示标准的sigmoid函数。

4.3 GRU的优势

作为 RNN 的一种变体，GRU 不仅能够有效解决 RNN 时间序列预测中的梯度消失和梯度爆炸问题，而且比 LSTM 训练花费的时间更少。因此建议所有循环神经网络 均使用GRU或LSTM代替RNN构建。

参考： 【1】一文搞懂RNN（循环神经网络）基础篇 【2】深度学习之GRU网络