循环神经网络 - RNN

循环神经网络（Rerrent Neural Network,RNN）是神经网络的一种，类似的还有深度神经网络（DNN）、卷积神经网路(CNN)、生成对抗网络（GAN)等。**RNN对具有时序特性的数据非常有成效，他能挖掘数据中的时序信息以及语义信息。**利用RNN的这种能力，使深度学习模型在解决语音识别、语言模型、机器翻译以及时序分析等NLP领域的问题时有所突破。

潜变量自回归模型

• 使用潜变量$h_t$总结过去信息$p(h_t|h_{t-1},x_{t-1})$，$p(x_t|h_t,x_{t-1})$

循环神经网络

更新隐藏状态：$h_t=\varnothing (W_{hh}{h}_{t-1}+W_{hx}{X}_{t-1}+b_h)$

输出：$o_t=\varnothing (W_{ho}{h}_t+b_o)$

困惑度（perplexity）

• 衡量一个语言模型的好坏可以用评价你交叉熵

$$\pi =\frac{1}{n}\sum _{i=1}^n-logp(x_t|x_{t-1},...)$$

$p$是语言模型的概率预测，$x_t$是真实词

• 历史原因NLP使用困惑的$exp(\pi )$来衡量，时平均每次可能选项
• 1表示完美，无穷大是最差情况

梯度剪裁

• 迭代中计算这$T$个时间步上的梯度，在反向传播过程中产生长度为$O(T)$的矩阵乘法链，导致数值不稳定

• 梯度裁剪能有效预防梯度爆炸

  • 如果梯度长度超过$\theta$，那么拖影回长度$\theta$
    $$g\leftarrow min(1,\frac{\theta }{||g||})g$$

更多的应用 RNNs

总结：

• 循环神经网络的输出取决于当下输入和前一时间的隐变量
• 应用到语言模型中时，循环神经网络根据当前词预测下一次时刻词
• 通常使用困惑度来衡量语言模型的好坏