RNN 基础

RNN

RNN中循环应用如下公式在每步中处理序列x:

\[\underbrace{h_t}_{新状态}=\underbrace{f_W}_{带参数W的函数}(\underbrace{h_{t-1}}_{旧状态},\underbrace{x_t}_{某step的输入}) \]

在每一步中使用的都是相同的\(f_W\),h'和h具有相同的维度.

RNN-structure

RNN的一般形式:

\[\begin{align} h'&=\sigma(W^hh+W^ix) \\ y&=\sigma(W^0h') \end{align} \]

其中的\(\sigma\)可以是softmax(得到概率值):

\[\begin{align} h^{(t)} &=\tanh(Ux^{(t)}+Wh^{(t-1)}+b) \\ \hat y^{(t)} &=softmax(Vh^{(t)}+c) \end{align} \]

RNN的一个优势是可以应对变长的输入和输出.
使用训练好的RNN进行测试时,如预测一个字符的后续序列采用sample而不是直接使用softmax的最大score的结果,是因为不同的序列可能有相同的前缀,进行sample可以增加预测结果的多样性.

基本的RNN原理简单,但是表现并不好.常使用LSTM和GRU,这两者所设计的additive interaction(联动)能够改善梯度的流动性.RNN的梯度爆炸可以通过梯度裁剪解决,而梯度消失通过additive interaction.

为什么RNN并行计算能力比较差？

因为隐藏单元的计算是串行的，依赖于前一个的计算，即 \(S_t=f(U\cdot X_t+W\cdot S_{t-1})\)。

如何改造RNN使之并行化？

  1. 隐层神经元之间并行化，Simple Recurrent Units for Highly Parallelizable Recurrence”中提出的SRU方法，本质的改进是把隐层之间的神经元依赖由全连接改成了哈达马乘积，这样T时刻隐层单元本来对T-1时刻所有隐层单元的依赖，改成了只是对T-1时刻对应单元的依赖。它的问题在于其并行程度上限是有限的，并行程度取决于隐层神经元个数，而一般这个数值往往不会太大。
  2. 类CNN：如Sliced RNN，将RNN打断成片段（如每两步打断一次）再通过层深来建立远距离联系，形式上很像跳表。片段之间的组成类似CNN并行，而片段内部仍然保持串行。

from RNN to LSTM 过渡

对RNN来说，需要使用通过时间的反向传播（BPTT）来训练，但是由于梯度消失（或爆炸）的问题，它经常导致较差的结果。

image

RNN-seq

解决这一问题的一种方法是使用门控逻辑（类似ResNet），不把梯度相乘，而是把它们相加，如下所示：

\[H=h_1(x)+h_2(x)+h_3(x) \\ {\partial H\over \partial x}={\partial h_1\over \partial x}+{\partial h_2\over \partial x}+{\partial h_3\over \partial x} \]

image

RNN-add-gate

这种累加的方式由于引入了门控逻辑，其将隐藏层的输出与每个时间步的原始输入相加，从而减少了梯度递减的影响。这种门控架构构成了新型RNN（LSTM等）的基础。

典型的LSTM单元包括三个主要功能：

  • 重置记忆（reset）
  • 写入记忆（write）
  • 读取记忆（read）

image

完整的LSTM单元结构如下：

image

四个网关f,i,g,o的每一个都以前一个时间步的隐藏状态和当前时间步的输入为输入。

\[\begin{align} c_t &=f\odot c_{t-1}+i\odot g \\ h_t &=o\odot \tanh(c_t) \end{align} \]

长短期记忆网络LSTM

相比普通的RNN增加了具有长期记忆的变量c作为输入,c改变较慢,而h改变较快.

LSTM的计算方式是将\([X^t,h^{t-1}]\)合并为一个矩阵后与权重W相乘再经过激活函数得到\(Z,Z^i,Z^f,Z^O\), 对应LSTM 内部的三个门控单元: 选择记忆门（information gate，也可简单理解成输入门）、遗忘门（forget gate）、输出门（output gate）。三个门均采用sigmoid得到（0,1）之间的gate值，而对于选择记忆门采用了tanh来得到当前输入，缩放区间(-1,1)。

输出的计算方式为:

\[\begin{align} c^t &=Z^f\odot c^{t-1}+Z^i\odot Z \\ h^t&=Z^O\odot \tanh(c^t) \\ y^t&=\sigma(W'h^t) \end{align} \]

image

LSTM

LSTM不受梯度消失的影响,但受梯度爆炸的影响,训练时需要采用梯度裁剪:

如果梯度超过阈值:\(|\hat g|>c\),那么设置\(\hat g={c\over |\hat g|}\hat g\).

梯度信息流动如下图红色箭头：

LSTM-structure

语音辨识上的一些实验比较(准确率):

  • LSTM > RNN > feedforward
  • Bi-direction > uni-direction

keras作者说不需要理解LSTM的具体架构中每个单元是做什么的,只需要知道其容许过去的信息能够在后续的某一时刻被重新使用,这样能够解决梯度消失问题.

GRU

The gated recurrent unit (GRU) [Cho et al., 2014a] 相比LSTM设计更简单一些，包含两个门：重置门与更新门。

image

  • Reset gates 有助于捕捉短期依赖。
  • Update gates 有助于捕捉长期依赖。

参考：https://d2l.ai/chapter_recurrent-modern/gru.html

GRU 和 LSTM 异同

  1. LSTM 和 GRU 的性能在很多任务上不分伯仲;
  2. GRU 参数更少，因此更容易收敛，但是在大数据集的情况下，LSTM 性能表现更好;
  3. 从结构上说，GRU 只有两个门，LSTM 有三个门，GRU 直接将 hidden state 传给下一个单元，而 LSTM 则用 memory cell 把 hidden state 包装起来。
posted @ 2022-05-28 12:59  康行天下  阅读(149)  评论(0)    收藏  举报