循环神经网络RNN简介_rnn 网络结果

目录

为什么需要RNN？

RNN的网络结构

特点：

RNN前向传播：

RNN反向传播：

梯度消失

例子：

---

为什么需要RNN？

标准的神经网络不适合用来处理待时间序列任务的场景，无法体现时序上的“前因后果”。

RNN的前后关联强，后面状态会受到前面状态的影响。从网络结构上看，RNN会记忆之前的信息，并利用这些信息影响后边结点的输出。也就是说，RNN的隐藏层之间的结点不是互不相关的，而是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。

RNN的网络结构

RNN是一个多输入多输出、串联的结构

RNN 跟传统神经网络最大的区别在于每次都会将前一次的输出结果，带到下一次的隐藏层中，一起训练。

RNN的单元结构：

a为对应的隐藏层状态值；Wax为输入层到隐藏层的权重矩阵；Wya为隐藏层到输出层的权重矩阵；Waa就是隐藏层上一次的值作为这一次的输入的权重。

用“What time is it？”来看看RNN是如何工作的。首先是将句子拆解。如下：

按照句子顺序将其输入到RNN网络中，将 “what”作为RNN的输入，得到输出01。想象一下，此时是没有前面隐藏层值的影响，what对应的状态（中间的圆圈）为黑色。

再将“time”输入到RNN网络，得到输出02.

此时RNN网络保留了“what”的隐藏层状态，将其也作为输入值输入到了网络中。“time”对应的隐藏层不光有本身的状态还有上一隐藏层的状态（一半黑色一半绿色）。

以此类推，前面所有的输入产生的结果都对后续的输出产生了影响（可以看到每个圆圈中包含了前面所有的颜色）

特点：

1.串联结构：体现出“前因后果”，后面结果的生成，要参考前面的信息

2.所有特征共享同一参数：

        面对不同的输入（两个方面），能学到不同的相应的结果

        极大减少了训练量

        输入和输出数据在不同例子中可以有不同的长度

RNN前向传播：

RNN反向传播：

单个单元的梯度公式：

要结合具体的损失函数

一般是tanh：

梯度消失

当序列太长时，容易导致【梯度消失】，参数更新只能捕捉到局部依赖关系，没法再捕捉序列之间的【长期】关联或者依赖关系

RNN的梯度消失的真正含义是，梯度被近距离梯度主导，导致模型难以学习到远距离的依赖关系。

现象：

比如一句话The cat，which ate already，……，was full。就是后边的was还是were，要看前面是cat还是cats，但是一旦中间这个which的句子很长，cat的信息根本传不到was这里来，对was的更新没有任何帮助，这是RNN一个很大的不足之处。

例子：

前向传播

损失函数：假设使用平方误差

单个时间点求梯度：

假设在t=3时刻，损失函数为

网络参数 求梯度：W0：

Wx：

其中：

 

 

任意时刻下的梯度公式：

梯度爆炸和梯度消失的主要原因是Ws^(k-1)

根本原因在于反向传播训练法则，链式求导次数太多。

梯度爆炸：

解决方案：梯度修剪：观察你的梯度向量，如果它大于某个阈值，缩放梯度向量，保证它不会太大。

当t=20时

t = 3的节点，由于连乘过多导致梯度消失，无法将信息传回给t=20,因此t=20的更新，无法引入到t=3时的信息，认为t=20节点跟t=3节点无关联。

 参考：

循环神经网络（RNN）_rnn循环神经网络_小朱小朱绝不服输的博客-CSDN博客

【【重温系列】RNN循环神经网络及其梯度消失 手把手公式推导+大白话讲解】 【重温系列】RNN循环神经网络及其梯度消失 手把手公式推导+大白话讲解_哔哩哔哩_bilibili