AndrewNG Deep learning课程笔记 - RNN

The Unreasonable Effectiveness of Recurrent Neural Networks，http://karpathy.github.io/2015/05/21/rnn-effectiveness/

https://www.csdn.net/article/2015-08-28/2825569

 

RNN基础

rnn是的输入和输出都是序列，如图

所以rnn可以认为是用于学习序列和序列之间的匹配关系

 

如何用符号表示

X，Y表示输入，输出

<t>，表示序列中序号

(i)，表示训练集中的序号

T表示序列长度

对于NLP，X用传统的one-hot方式表示，基于字典vocabulary

 

为何要使用rnn，使用标准网络有什么问题？

首先，从上面图也看的出来，序列长度是改变的，而对于标准网络，输入输出是固定的

再者，对于上面的X表示方式，可以看出X是很高维的，这样需要的参数会非常多，所以这里RNN和CNN一样，优势在于参数共享

CNN无论输入图片多大，参数是由filter大小决定

RNN无论序列多长，序列中的每一步的参数是一样的

 

RNN的结构

下图给出一个RNN的示意图，

可以看到，主要有三个参数，Wax，Waa，Wya，用红色标出

可以看到RNN序列中的每一次迭代，参数是一样的，所以这是一层网络，而不是多层，也可以用右边的图表示

输出序列y和中间状态a，用如下公式计算出来

a0初始化成0向量

注意这里的激活函数，一般会用tanh

这里提供一种简写方式，把Waa，Wax合并成Wa

RNN的反向传播

NG没有给出具体的过程，具体的过程参考，https://www.cnblogs.com/pinard/p/6509630.html

这里只给出损失函数的定义，L<t>表示在序列t时刻的损失函数，L表示序列上所有t的损失函数和

对于Wy，by，求导比较直接，dL/dy/dWy

但是读音Wa，ba，就比较麻烦一些，因为对于a<t>的求导有两部分，

一部分是dy/da<t>，

另一部分是da<t+1>/da<t>，这一部分需要从序列尾部一级级算过来，所以叫backpropagation through time

要把两种加起来，再继续算dWa，dba

 

RNN的类型

One to one，普通网络

One to many, 用于序列生成场景，比较特殊，每个t的输出y<t>，会作为t+1的输入

Many to one，用于类似文本情感分析

Many to many，有两种，如果Tx = Ty，那么就是普通的RNN

如果Tx和Ty不相等，典型的场景是机器翻译，分为encoding和decoding的部分

 

Language model

什么是language model，是一种概率分布，

任意给一个句子，可以给出这个句子在这种language model里面出现的概率是多大

如何创建语言模型？

传统的方法是基于统计的方法，用n-gram，马尔科夫模型

那么用RNN的方式，如何创建，

然后需要使用One to many的 RNN进行训练，

过程如下，

对于训练集中的一个sample，cats average 15 hours of sleep a day. <EOS>

a<0>，x<1>都是0向量，输出是y^<1>

由于输出函数是softmax，所以y^<1>的size等同于vocabulary的大小，其中每个值的含义就是开头第一个单词是该词的概率

比如vocabulary中第一个单词是a，那么y^<1>中第一个值就是P(a)，如果cats在vocabulary中是第100个词，那第100个值表示P(cats)

x<2>, 是cats，无论算出来y^<1>是啥，训练的时候，要使用y<1>

那这样通过softmax算出来y^<2>, 第一个值的含义是P(a | cats)，其中有个值代表P(average | cats)

依次类推，x<3> = average, y^<3>，第一个值的含义是P(a | cats average)

这里损失函数是比较y<t>和y^<t>间的差异

用corpus来通过反向传播算法，就可以训练出language model

 

训练好的language模型可以干啥

首先可以判断，某个句子的出现概率，example，P(sentence) = P(cats) P(average | cats) P(15 | cats average)，这些值从y^<t>中取到

然后，还可以序列生成

输出y^<1>时，我们要根据y^<1>中的概率，用np.random.choice选出一个词，这个函数会结合概率分布sampling一个词出来，比如sample出的词是the

那么把the作为x<2>输入

这个序列怎么算结束，当sampling的词是<EOS>时，句子结束

 

Character-level language model

之前看到的都是word-level的语言模型，word-level有个问题，就是depend on词典，词典中没有的词就无法表示

所以提出Character-level，对于英文，character就那么几个，所以不存在unknown的情况

Character-level模型的问题，就是序列长度要大一个数量级，计算成本会大很多

 

RNN梯度消失

RNN和普通网络一样，也有梯度消失或梯度爆炸的问题

梯度爆炸的问题，可以通过clip的方式，简单解决，就是设置梯度上限

梯度消失的问题就比较麻烦，当序列比较长的时候，后面的序列很难影响到前面序列的参数

所以像例子中的cat，cats对后面was，were的对应关系，就很难学习到

在RNN中解决梯度消失的方式，是使用GRU(Gated Recurrent Unit)或LSTM(Long Short Term Memory)来解决

解决梯度消失的思路，一般都是将值直接往后传，如果每层都进行非线性变化，比如sigmod，很容易就会导致梯度消失

 

GRU

GRU是LSTM的简化版本，之所以先学GRU，是因为简单一些，实际使用时LSTM还是更普遍一些

 

和普通RNN区别，

引入memory cell，c<t>，虽然在GRU里面，c<t>和a<t>没有区别

这里的c~<t>，等同于普通RNN的a<t>

区别就是，这里不会直接把c~<t>输出，而是要和c<t-1>做个选择，选择的标准就是G

G本身也是通过一个神经元得到，它的激活函数是sigmod，所以大部分情况下，G的值都是0或1，这是由sigmod函数的特性决定的

所以这里根据G的值，可能输出c~<t>，也可能直接把上一层的c<t-1>继续传递

这里注意，c，a都是向量，size等于vocabulary的大小

所以gate也是一个相同大小的向量，里面部分值接近0，表示保留上一层的数据，部分值接近1，表示学习这层新的内容

比如，例子中，cat用向量中的一位表示，这一位的gate值一直是0，表示保留cat，直到was

而其他的位的gate值就可能是1，用于学习中间出现的which already ate

 

LSTM

LSTM相对复杂些，但是理解了GRU，思路类似，

首先，c<t>和a<t>分开

再者，gate变多，一共3个，Gupdate（等同于GRU中的gate），Gforget（等同于GRU中的1-gate），增加Goutput

最后，通过Goutput算出a<t>

然后，算gate的时候，也可以考虑c<t-1>, 称为peephole connection

 

Bidirectional RNN

普通的RNN只能考虑之前出现的word对当前的影响，即context上下文只能考虑一半，如果要考虑前后上下文的影响，就需要使用bidirectional rnn

Bidirectional，需要把序列正向遍历一遍，这个和普通RNN一样

还需要把序列反向遍历一遍，然后用两遍遍历的a-><t>，a<-<t>，共同决定y^<t>

 

Deep RNN 

RNN一个序列，只能算是一个layer，为什么？简单的理解，因为只有一组参数

我们也可以把RNN进行stack，RNN一般不会太深，3层已经比较深，因为计算量太大了

如果要加深depth，可以在output上添加一组普通的NN 

  

 

Word Embedding

在NLP领域，传统使用one-hot的表示方法来表示word

这种表示的问题，

首先维度很高，等于vocabulary的size

再者，各个词之间的是孤立的，没有相关性的，用任意两个词向量做点积，得到的结果都是0

所以看右边的例子，我们就算学习到orange juice，也无法应用到apple上

 

这里介绍的新的word表示方法，word embedding

这里作为例子，我们用一些可理解的features来表示word，比如gender, royal, age等

这样表示的好处，首先features数会比较少，比如这里的300，远小于vocabulary的size

关键的是，各个words间通过features具有了相关性，Apple和Orange在features上很相似，所以在orange上学习到的knowledge也可以用在apple上

 

word embedding是可以通过海量的无标注的语料库训练出来，这个是可以重用的，或者transfer learning

使用很简单，先将你的word的one-hot表示通过word embedding模型进行encoding成特征向量，再继续后面的学习

这样的好处，是可以只用很少的训练集来完成NLP应用，因为对于NLP，大量的知识已经包含在word embedding模型中了

 

word embedding还有一个很有用的特性，

可以用它来比较词与词之间的关系

并且只需要通过简单的词向量间的相减，

比如，回答 Man：Woman等同于 King：？

用这个公式就可以简单求出

 

那么下面自然的问题就是，如何训练出word embedding？

最早的方法如下，

用语料库来训练language modeling，

即这样的问题，我们以前n个词作为context来预测下一个词是什么？

 

输入是one-hot向量（10000维），经过Embedding矩阵E，转化成word embedding（300维）

那么这里的E就是我们最终要训练出的word embedding模型

后面再接上一层nn和一层softmax

这样nn中要训练的参数用黄色线框出，优化目标就是后面真正出现的词

例子中就是juice

这个方法生效的原因是，如果要得到相同的输出，自然word embedding输入也要接近

 

如果我们训练nn的目标是得到语言模型，language modeling，那么一般这里的context都是用前n个词，来预测后一个词

但是如果我们的目标是得到word embedding，实验证明我们可以用一些更简单的context也能达到比较好的效果

比如，前一个word，或 nearby a word 

 

Word2Vec 

Word2Vec，顾名思义，就是一种生成 word embedding的算法

context选取，

以任一个词为context，然后以这个词的前后10个词中，随机选择一个词作为target

如下面的例子，看起来很随性，这称为skip-gram

但是这里的采样也不是完全随机和均匀分布的，因为这样很容易导致大部分采样都是常见词，a, of, the；所以还是要采用些启发式的方式去合理选择常见，不常见的word

Word2Vec里面还有另外一种context版本，CBow，用两边的词预测中间的词

模型如下，

可以看到，这个模型确实简单

用E转化成embedding后，只接了一层softmax

这个模型虽然简单，但是最大的问题的是，Softmax的分母要遍历计算整个vocabulary，这个计算量非常的大

有一种优化就是把softmax分层，如何分层可以二分，也可以更高效的按熵值进行分层

 

Negative sampling

softmax之所以计算复杂度比较高，是因为它是一个多元分类，比如vocabulary里面有100000个word，一次分类就需要同时考虑所有的word

其实softmax等价于多个二元分类，100类的softmax也可以用100个二元分类器

但是如果我们要训练的是分类器本身，那么这样一点用也没有，同时训练100个二元分类器肯定更加低效

但是我们这里是要训练前面的E，

所以我们先把一个多元分类问题转化成一个二元分类问题，

这里的问题转换为，判断orange的context window中是否有另一个词，比如juice

这样从corps中，我们可以得到一个正样本，但是二元分类还需要负样本

这里我们随机从vocabulary中选取word作为负样本，哪怕选中的词恰巧也在context窗口中，也没有关系，比如例子中的of

每产生一个正样本，我们会产生k个负样本，k可以随着数据集的变大而变小，这里选择4

所以这个方法称为negative sampling， 负采样

所以模型就变成如下图，

只是最后一步从一个softmax变成10000个二元分类器，这里并不需要一次训练所有的分类器

一次只需要训练其中k+1个二元分类器，比如例子中一个正样本，4个负样本

因为我们的目的是通过分类器来训练E，而不是训练分类器本身，所以这样是可行的

 

seq2seq模型

该模型的最典型的场景，就是翻译

如下图，法语翻译成英语，由于输入，输出的个数不一致，所以需要分成两部分，encoding和decoding部分

这个模型也可以用于训练一个序列的embedding，比如把sql query encoding，保证输入输出一致，就可以训练encoding部分

还有一个有意思的场景是看图说话，这个和翻译的差别就是input不一样

input不是一个query，而是一个图片

所以encoding部分不能用RNN，这里用的是CNN，通过CNN生成encoding后，再继续接上用RNN的decoding的部分

和简单的RNN模型相比

Seq2seq模型在概率模型是不一样的

对于语言模型的概率模型就是单纯的，P(y1,y2,y3,y4)

而在机器翻译时，概率模型是，P(y1,y2,y3,y4| x1,x2,x3)

机器翻译的问题在于，

decoding的时候，因为y1,y2,y3是softmax输出，是一个所有word的概率

所以可能有多种可能的输出，如下图，

所以我们需要找出其中最合适的

直观的想法就是贪婪算，每一步都挑概率最大的输出，这个效果一定不会太好，如下面的例子，

第三个词是going的概率是要大于visiting的，但从整体上看，上面的翻译会更加好些

 

Beam Search

既然greed算法无法找到全局最优

这里提出Beam search来试图找出更优解

beam search的思路很简单，既然每次用最优的考虑的case太少了，那就多考虑些

比如我们设置beam width=3，即每次考虑top3的可能性

第一步，算P(y1 | x)，找出p最大的3个，比如，in，jane，september

第二步，基于y1，找到y2

目标是，P(y1,y2|x) = P(y1|x) P(y2|x, y1)

在第一步中找到3个word，第二步对每一个都有10000种可能性，一共300000种可能性，从其中再找出 P(y1,y2|x) top3的组合

比如这里，是In september，jane is，jane was

这样一步步迭代下去，每一步都选最优的3个组合，最终可以找到较优的组合

 

beam search的优化

beam seach在求P(y1, y2, y3, ...| x)的时候，是连乘，一堆很小的数连乘，很容易就溢出

所以典型的思路，用log转换成连加

然后为了解决sentence长度带来的对P的影响，除上sentence长度进行平均normalization

 

beam search 误差分析

 如下面的例子，如果通过算法得到的结果没有训练集中的好，那我们怎么分析原因

y*是正确的结果

y^是算法得到的结果

做法，比较P(y* | x) 和 P(y^ | x)

P(y* | x) 大，说明RNN 的language model没有问题，beam search算法没有找出最优解，可以增加beam width

P(y^ | x)大，说明RNN 的language model本身有问题，需要从新去训练