ng-深度学习-课程笔记-15: 循环序列模型(Week1)

1 数学符号（Notation）

$ x^{<1>}, x^{<2>}, ..., x^{<t>}, ..., x^{<q>} $ 表示一段输入序列x，比如一句文字

$ y^{<1>}, y^{<2>}, ..., y^{<t>}, ..., y^{<q>} $ 表示输出序列y

$ T_{x} = T_{y} = q, $ 表示长度，x和y在长度可以不相等

$ x^{(i)<t>}, y^{(i)<t>}$ 表示第i个样本的第t个元素

$ T_{x}^{(i)}, T_{y}^{(i)} $ 表示第i个样本的x长度和y长度

构建一个表示单词的词典，对一般规模的商业应用来说3万到5万的大小比较常见，也有10万的，而大型互联网公司会用百万级甚至更大的词典。

例子中词典以1万词为例，统计常用的1万个词，使用one-hot来表示每个单词，由此来表示整段文字。对于不存在于词典的单词可以构建一个unknown词来表示。

 

2 循环神经网络模型（Recurrent Neural Network Model）

为什么不使用标准的神经网络呢？主要有两个问题。

首先时序问题中输入和输出都可以是不同长度的，你当然可以用填充来使输入输出单元数最大，但仍然不是很好的表示方式。

其次，单纯的神经网络并不能共享从文本的不同位置学到的特征，具体表现为，如果能学到了位置1出现的harry为人名的概率，当harry出现在其它位置时，也能自动识别为人名，这样就很棒了。

如下图所示，循环神经网络做的就是，在第一个时间步用$ x^{<1>} $ 来预测 $ y^{<1>} $

但是在第二个时间步的不仅接收$ x^{<1>} $ ，还接收来自第一个时间步的信息，以此类推。

要开始整个步骤，需要在第一个时间步接收一个默认的$ a^{<0>} $ 表示“来自第0个时间步的信息”，0向量是常见的选择，也可以随机初始化。

每个时间步的参数是共享的，记为$ W_{ax} $，下标ax中的x表示和x相乘，a表示计算a

水平激活值的参数记为 $ W_{aa} $，下标aa中的a表示和a相乘，计算a

输出激活值的参数记为 $ W_{ya} $，下表ya中的a表示和a相乘，y表示计算y

这个例子中，对序列的扫描是从左到右的，只使用了之前的信息来做出预测。使用BRNN则可以使用之前和之后的信息来预测。

输出a的激活函数g通常使用tanh，然后可以使用另外的方法来避免梯度消失。

输出y的激活函数决定于你的问题，如果是二分类则可能使用sigmoid

 

为了简化符号，$ W_{ya} = W_{y} $

为了简化符号，可以将两个W合并： $ [ W_{aa} | W_{ax} ] = W_{a} $

 

3 不同类型的循环神经网络（Different types of RNNs ）

$ T_{x}, T_{y} $ 不一定相同，比如下图的几个例子中，音乐生成的输入可以为长度为1或空集而输出是一段序列；感情分类的输出可以是1到5的整数而输入是一个序列；命名实体识别中，输入和输出长度相同；机器翻译中输入和输出的序列长度不同。

 

基于此，可以分为几种不同的结构：

One-to-one（标准的神经网络，不需要RNN）

One-to-many （比如音乐生成）

Many-to-one（比如评论的情感分类）

Many-to-many（又分为输入和输出长度相同的和不同的，比如命名实体识别和机器翻译）

 

 

 4 语言模型和序列生成（Language model and sequence generation）

 如何用RNN来构建一个语言模型呢？

首先需要一个很大的文本语料库作为训练集，语料库由数量众多的句子组成。

假如你在语料库中得到一句话，你需要将它们切分标记（tokenize）为一个个one-hot向量，在这个过程可以自行决定要不要忽略标点

在某些应用中需要用额外的标记<EOS> 来定义句子的结尾

对于在字典中未出现的单词可以标记为<UNK>来统一处理

$ \hat{y}^{<1>} $ 是表示第一个位置出现的词的概率，根据softmax输出整个词典上的10002个词的概率，包括结束词和未知词，最后得到Cats的概率最大

预测 $ \hat{y}^{<2>} $ 的时候输入为y<1>，这个情况预测的是在第一个词为cats的情况下，为其它词的概率：P（词 | cats）

后面的时间步以此类推，最后得到P（EOS | ...）的概率。 

定义每个时间步的softmax损失函数，求和得到最终的损失函数，然后优化。

 

5 RNN的梯度消失（Vanishing gradients with RNNs）

RNN和标准NN一样，随着网络层数的增加，导数有可能呈指数型减小或增加，容易发生梯度消失和梯度爆炸的问题。

对于梯度爆炸的问题很容易发现，你会发现很多NaN和非数字的情况，意味着神经计算出现了数值溢出，可以使用梯度裁剪（gradient clipping），观察某个梯度，当它大于某个阈值的时候，缩放梯度向量保证它不会太大。

然而梯度消失更难解决，接下来几节将介绍解决方法。

 

6 GRU单元（Gated Recurrent Unit）

标准的RNN利用上一时间步的激活值a和这一时间步的输入x计算出这一时间步的激活a $ a^{<t>} = g( W_a [a^{<t-1>}, x^{t}] + b_a) $

然后用激活a计算这一时间步的输出y： $ \hat{y}^{<t>} = g( W_y  a^{t} + b_y ) $

GRU，为了句子能在猫吃了很多东西之后，仍然能对be动词形式做出正确判断（was还是were），用了细胞单元来记忆信息。

在GRU这里，记忆单元c会输出激活值a，二者是一样的，在LSTM中这两者代表的是不同值。

在每个时间步计算一个候选值 $ \tilde{c}^{<t>} = tanh( W_c [ c^{<t-1>}, x^{<t>} ] + b_c ) $

GRU重要的思想是使用一个更新门 $ \Gamma_u = \sigma ( W_u [ c^{<t-1>}, x^{<t>} ] + b_u ) $ ，它的输出在0到1之间，大部分的输出是在非常接近0或非常接近1。

由更新门来决定是否更新记忆单元的值，这样在扫描整句话的时间，在每个时间步就会决定是要更新还是不更新记忆信息，比如例子中的cat的相关信息就会被一直保存，直到遇到要选择was/were的时候，就根据记忆单元里的cat信息来做出判断，随后就可以不再保存记忆单元中的cat信息

$ c^{<t>} = \Gamma_u * \tilde{c}^{<t>} + (1 - \Gamma_u) *  c^{<t-1>}$

更新/保存的c会传到下一时间步，另外可以根据更新/保存的c计算出这一时间步的输出y

更新门的作用就是保存记忆信息，然后一直不更新，直到需要使用的时候。

由于更新门很容易取到一个很接近0的数，那么c的值被保留下来了，这样就可以缓解梯度消失的问题了，因为即使经过很多很多时间步，历史信息依然被保存下来了，因此允许神经网络训练有着非常庞大依赖范围的序列，比如例子中的cat和was被很多句子分割开。

更新门不只能保存cat和was的关系信息，比如它们维度是100，那么就可以保存100种类型的记忆信息，决定是否更新，你可以决定一些比特更新而另一些比特不更新。

现实中的更新门比特不是确切的0/1，只是接近的值。

 

上述说的是一个简化后的GRU，完整的GRU会增加一个相关门，如下图所示。

有很多设计使得网络的类型多种多样，多年来科研人员做了很多实验来设计这些单元，尝试让深度网络产生更大范围的影响，还有解决梯度消失的问题，GRU就是研究者们常用的一个版本，也被发现在很多不同问题上也是非常健壮和实用的。研究者们也尝试了很多其它版本，类似的但是不完全一样（similar but exactly not the same）

 

7 LSTM（long short term memory ）unit

LSTM中细胞单元c不再等于激活值a，计算候选值使用的是激活值a，$ \tilde{c}^{<t>} = tanh( W_c [ a^{<t-1>}, x^{<t>} ] + b_c ) $

LSTM中使用三个门，更新门，遗忘门和输出门。

$ \Gamma_u = \sigma ( W_u [ a^{<t-1>}, x^{<t>} ] + b_u ) $

$ \Gamma_f = \sigma ( W_f [ a^{<t-1>}, x^{<t>} ] + b_f ) $

$ \Gamma_o = \sigma ( W_o [ a^{<t-1>}, x^{<t>} ] + b_o ) $

 细胞的更新不再像GRU一样用单独的更新门控制，而是用更新门和遗忘门来控制

$ c^{<t>} = \Gamma_u * \tilde{c}^{<t>} + \Gamma_f *  c^{<t-1>}$

最后的激活值由输出门来控制 $ a^{<t>} = \Gamma_o *  c^{<t>}$

 

 

如下图所示，再c更新的那条连着的横线中可以看出，只要合理地设置三个门，c的值是可以一直往下一个时间步传递下去的。

此外还有另外的版本，在计算三个门的时候不只用到a和x，还加入了上一个细胞的信息$ c^{<t-1>} $ ，这叫作窥视孔连接（peephole connection）

 

对于使用GRU还是LSTM，没有统一的准则，LSTM通常是默认的选择，但是GRU也获得了很多的支持因为它简单而且效果还不错。

GRU是在LSTM的基础上进行的简化，他的优点是更加简单，更容易创建一个更大的网络，而且它只有两个门，运行得更快。

但LSTM更加强大和灵活，因为它有三个门而不是两个。

 

8 双向RNN（Bidirectional RNN）

双向RNN可以让你在序列的某点既能获取之前的信息，也能获取未来的信息。

如图所示，就是反向连接一下，这样就有两个输出a，接在一起来决定最后的输出y。

每个模块可以是传统RNN也可以是LSTM也可以是GRU。

事实，上对于很多包含大量文本的NLP问题，带LSTM的双向RNN模型是最常用的。

双向RNN的一个缺点就是你需要完整的数据序列，你才能预测任意位置。

 

9 深层循环神经网络（Deep RNNs）

通常会把多个RNN叠起来构建更深的模型，如下图所示，是一个三隐层的RNN。