Sequence model

概述：处理样本数不规则的模型

recurrent neural network递归神经网络

参数共享,前->后
样本逐个扫描
a激活用一套参数
y激活用一套参数

参数流

x、y个数不一致的RNN

序列样本分类问题

音乐生成、机器翻译

RNN类型总结

language model with RNN

输出P(sentence),并按照y(i)展开为字符串

从训练模型采样

在训练过程中，结局梯度爆炸
gradient clipping：梯度过大时，重新缩放梯度向量

GRU gated recurrent unit

解决了梯度爆炸问题
新建c^{} = a^{}

c的估计值
\(\tilde C^{<t>} = tanh(w_c[c^{<t-1>},x^{<t>}]+b_c)\)

Gata，门限值，0 or 1，选择是否记忆
\(\Gamma_u = \sigma(w_u[c^{<t-1>},x^{<t>}]+b_u)\)$

c的实际值更新函数
\(c^{<t>} = \Gamma_u * \tilde c ^{<t>} + (1-\Gamma_u) c^{<t-1>}\)

• GRU单元

LSTM （Long Short Term Memory）

Bidirectional双向 RNN BRNN

Deep RNN

word representation

只用 one-hot，无法表征单词之间的关系
点积为0
构建词向量 word vec

man - women
king - queen

词向量库 E 泛化negligible不错

相似度函数

应对大词典的softmax运算慢问题，构建二叉树数据结构，常用的放上面，不用每次计算概率

平衡P(t|c),避免the of 等 词频繁运算出现

负采样法Negative sampling

Glove global vectors for word representation

情感分类sentiment classification

问题描述：

平均数 词向量分类

词编码向量的偏差消除

变输入输出架构

主要应用在语言识别和机器翻译

架构：编码器 + 解码器各用了一个

Beam search

对于翻译算法来说，一次得到整个句子的最优概率对应翻译，搜索量太大，而贪心算法，每次只选一个，随机误差太大，效果差，因此引入Beam search 算法
每次考虑2步，第一步选B个，第二部全选n个，从B x n个中寻优

概率估计值数值稳定性

• 概率\(\in [0,1]\)，连乘，数值稳定性差
• 转化为log函数求和，越加越小
• 平均值，比求和好
• 用\(\frac{1}{T_y^\alpha}\)

Error analysis

注意力集中 Attention model intution

• 长序列模型的问题 without 注意力模型，\(y^{<t>}\) 取决于 \(a^{<t>}\)
  带有注意力的系统，将权重，分散给其他的几个激活值\(a^{<t>}\)

注意力权重计算

用softmax保证和为1

语音识别

声音预处理，频谱