深度学习之循环神经网络-编程知识

视频链接：6 循环神经网络_哔哩哔哩_bilibili

给神经网络增加记忆能力

对全连接层而言，输入输出的维数固定，因此无法处理序列信息

对卷积层而言，因为卷积核的参数是共享的，所以卷积操作与序列的长度无关。但是因为卷积层的后面往往会跟着一些全连接层，从而导致卷积层的输出不能任意改变

这是一个有限状态自动机：遇到不同的输入会跳到另一个状态上去

从这不难看出，当前结果的输出不仅依赖于当前时刻的输入，还依赖于上一时刻所处的状态

这是一个图灵机：一种抽象的数学模型，可以用来模拟任何可计算问题

输出不单单依靠输入，同时也与控制器的行为、纸带上存下来的信息等有关，比起有限状态自动机更加复杂

对于有限状态机，我们可以改造前馈网络实现。但是对于更加复杂的图灵机就不能仅依靠改造前馈网络实现，而是需要引入记忆能力

当前的输入经过z延时单元就得到了上一时刻的信息

第一个隐藏层中的t-2是由输入层中的t-2与t-3得到的，t-1是由t-1、t-2、t-3得到的，t同理

自回归模型：w0是偏置，wk是权重，当前时刻的yt由前k个时刻的yt-k加权得到

非线性自回归模型：自回归模型没有外部输入，只是y自己预测自己。因此非线性自回归模型引入了非线性函数，x是输入，y是输出，做到了通过时间序列的输入与时间序列的输出一起预测

循环神经网络

通过上一时刻的状态与当前时刻的输入计算当前时刻的状态

Q：循环神经网络与时延神经网络和自回归模型在记忆方式上的差异？

A：循环神经网络（RNN）具有短期记忆能力，可以通过递归的方式对序列数据中的依赖关系进行建模。RNN 的记忆能力来源于网络中的递归结构，它能够记住最近几个时间点的输入信息。然而，随着时间的推移，RNN 的记忆能力会逐渐减弱。
时延神经网络（DTNN）具有长期记忆能力，它通过在时间轴上增加延迟连接来实现对长期依赖关系的建模。DTNN 可以在一定程度上克服 RNN 记忆能力有限的问题，但由于其结构复杂，训练和计算成本较高。
自回归模型（AR）是一种基于 AR 过程的线性模型，它通过自回归系数矩阵来描述过去时刻观测值之间的依赖关系。AR 模型可以看作是一种特殊的 DTNN，其记忆能力取决于自回归系数矩阵的规模。

RNN在时间维度上是很深的网络，但是在非时间维度上却是很浅的网络。因为在时间维度上过深，所以需要考虑梯度消失的问题；因为在非时间维度上过浅，所以需要考虑增加模型的复杂度

如果我们认为前馈神经网络可以模拟任何函数的话，那么循环神经网络就可以模拟任何程序

应用到机器学习

序列到类别

两种常见的方法：

情感分类

因为文本是一个变长的序列，把每个字看成不同时刻的输入(一个词向量)，所以可以使用RNN

把不同字的状态拼到一起送到分类器中得到不同的结果

同步的序列到序列模式

输入一个序列，输出一个序列，且输入输出之间有对应关系

中文分词

把一句话以词为单位分隔开

示例中的这句话分词应为：他说的，确实，在理

但是在中文中，的确是一个词，实在是一个词，词语分隔存在歧义性

在机器学习中我们把这个任务变成一个序列标注的任务，S表示单个词语，B表示一个词语的开始，E表示一个词语的结束

在RNN中我们直接把词向量输入RNN得到结果就行了

信息抽取

CRF是条件随机场

抽取小米——品牌，雷军——人名，2015年——时间等信息

语音识别

异步的序列到序列模式

左边输入x得到状态，可以看作是编码器encoder

EOS表示上一个序列的结束

右边的状态是通过上一时刻的状态与上一时刻的输出得到的，没有输入x，可以看作是解码器decoder

右边y影响h，是自回归的方法，h影响h是RNN的方法

机器翻译

参数学习与长程依赖问题

随时间反向传播

对误差在时间维度上求和就得到了总误差，因此反向传播时也可分为不同时刻的反向传播结果U的结果求和

Lt对U求偏导，就是第t时刻的loss对(第k时刻的zk的导数)*(上一时刻隐藏状态的转置)求和

按照链式法则展开为上图所示

长程依赖问题

将链式法则求出的式子继续展开得到(t-k个激活函数的导数的对角矩阵乘U的转置)再乘Lt对zt的偏导

由于f'(zτ)是一个有界函数，U是共享的参数，所以把他们近似看作γ

因此δt,k近似等于γ^t-kδt,t，当γ>1时，若t时刻距离k时刻很长，则会梯度爆炸，反之则会梯度消失，所以实际上只能学到短周期的时间依赖关系

如何解决长程依赖问题

我们希望γ=1，首先把f的非线性f去掉，也就是让ht=Uht-1+Wxt+b，这样使得f’为1。接下来把U变成1也就是单位矩阵，因此ht=ht-1+Wxt+b，此时的γ=1

如图所示，激活函数g是对Wxt+b引入非线性，但是由于ht-1与ht之间变成了线性关系，导致模型能力变差

进一步改进，后面的g(xt,ht-1;θ)其实就是原来的f(Uht-1+Wxt+b)，这样改进既保留了非线性，又解决了梯度的问题

当激活函数g选取sigmoid、relu等一直为正的激活函数，加上ht-1是一个累计的状态(不断增大)

例如当激活函数为sigmoid时，由于h不断累计，导致g(xt,ht-1;θ)趋近0或1而出现梯度消失，从而导致难以向网络增加新的信息。因此我们可以在ht-1中选择性地丢弃一些信息，接下来会给大家介绍两种基于门控的方法

残差：如果把g(xt,ht-1;θ)中的xt去掉，得到ht = g(ht-1;θ)，这个式子与残差网络是十分相似的，都解决了梯度消失的问题

GRU与LSTM

GRU

zt是一个与h维度相同的向量，每一维都在0~1之间，用sigmoid激活函数

g用得到是tanh激活函数，将0~1变成-1~1，且梯度更大一些

当zt接近1时，ht的信息更多来自于ht-1；当zt接近0，ht的信息更多来自于xt

若想要ht的信息只来源于xt，则可以加一个rt在ht-1之前

LSTM

引入了内部记忆单元c，通过c进行记忆线性的传递，把h释放出来更好地去做非线性

i是input gate，决定加入多少新信息

f是forget gate，决定遗忘多少旧信息

o是output gate，决定输出多少信息

深层循环神经网络

虽然循环神经网络在时间维度上可以认为是一个非常深的网络，但在非线性维度上是非常浅的，我们希望把它加深，看看模型能力有没有提升

堆叠循环神经网络

时间维度上是对齐的

变式

可以使某个状态来自于下一层所有时刻的状态

也可以使某个状态来自于上一时刻的所有层

双向循环神经网络

对输入的时序数据，既可以从左往右建模，也可以从右往左建模，好处是得到了双向的信息与趋势，模型效果更好

Q：如何增加循环神经网络的并行能力？

A：

双向循环神经网络（BRNN）：BRNN 通过在输入层引入未来信息，使得网络可以同时利用过去和未来的数据。这种结构在处理自然语言处理、语音识别等任务时具有较好的性能。BRNN 可以在一定程度上提高并行计算能力，但仍然受到循环连接的限制。
增加网络层数：通过增加网络层数，可以降低梯度消失和梯度爆炸的问题，提高模型性能。同时，深度循环神经网络具有较强的并行计算能力，因为大部分计算可以在各层之间并行进行。
跳步连接（skip connection）：在循环神经网络中引入跳步连接，可以使得网络在训练过程中更快地收敛，并提高模型的并行计算能力。跳步连接使得网络可以在不同层之间直接传递信息，减少了梯度消失问题，同时提高了并行处理能力。
分离式循环神经网络（Separable Recurrent Neural Network，SRNN）：SRNN 将循环神经网络的内部循环结构分离成两个独立的子网络，一个负责处理过去信息，另一个负责处理未来信息。这种结构在训练和预测过程中可以实现部分并行计算，提高网络的性能。
准并行循环神经网络（Quasi-Parallel Recurrent Neural Network，QPRNN）：QPRNN 采用一种准并行的结构，将循环神经网络中的递归关系用多个并行子网络表示。这种结构可以在一定程度上提高并行计算能力，但仍然受到梯度消失和梯度爆炸问题的限制。
内存增强神经网络（Memory-Augmented Neural Network，MANN）：MANN 在循环神经网络中引入了一种新型内存模块，用于存储和检索相关信息。这种结构可以提高网络的并行计算能力，同时增强了对长序列数据的处理能力。
转换器架构（Transformer）：转换器架构是一种基于自注意力机制的深度神经网络，其在自然语言处理等领域取得了显著的成果。虽然转换器并非典型的循环神经网络，但其在并行计算方面具有很强的能力。通过将循环神经网络与转换器相结合，可以进一步提高网络的并行能力。