循环神经网络与LSTM.pdf

1、循环神经网络与LSTM 七月算法 七月算法 寒老师 寒老师 20162016年年7 7月月3 3日 日 4月机器学习算法班 1 主要内容 n 神经网络与循环神经网络 神经网络与循环神经网络 1.1.强大的功能 强大的功能 2.2.层级结构 层级结构 3.3.多种多种RNN RNN n LSTM LSTM 1 1.长时依赖问题 长时依赖问题 2.2.“记忆细胞“记忆细胞”与状态与状态 n LSTM变体LSTM变体 1 1.GRU.GRU等等 4月机器学习算法班 循环神经网络与应用 o 模仿论文(连公式都格式很正确)4月机器学习算法班 循环神经网络与应用 o 模仿莎士比亚的作品 4月机器学习算法班

2、 循环神经网络与应用 o 模仿小四的作品 4月机器学习算法班 循环神经网络与应用 o 看图说话 4月机器学习算法班 神经网络到循环神经网络 o 我们知道神经网络结构如下 o 那循环神经网络和它是什么关系呢？4月机器学习算法班 o 为什么有BP神经网络，CNN，还要RNN？n 传统神经网络(包括CNN)，输入和输出都是互相独立的。图像上的猫和狗是分隔开的，但有些任务，后续的输出和之前的内容是相关的。“我是中国人，我的母语是_”n RNN引入“记忆”的概念 循环2字来源于其每个元素都执行相同的任务。但是输出依赖于 输入 和“记忆”循环神经网络 4月机器学习算法班 o 简单来看，把序列按时间展开 循

3、环神经网络之 结构 4月机器学习算法班 o Xt是时间t处的输入 o St是时间t处的“记忆”，St=f(UXt+WSt1)，f可以是tanh等 o Ot是时间t出的输出，比如是预测下个词的话，可能是softmax输出的属于每个候选词的概率 循环神经网络之 结构 4月机器学习算法班 o 可以把隐状态St视作“记忆体”，捕捉了之前时间点上的信息。o 输出Ot由当前时间及之前所有的“记忆”共同计算得到。o 很可惜，实际应用中，St并不能捕捉和保留之前所有信息（记忆有限？）o 不同于CNN，这里的RNN其实整个神经网络都共享一组参数（U,V,W），极大减小了需要训练和预估的参数量 o 图中的Ot在有

4、些任务下是不存在的，比如文本情感分析，其实只需要最后的output结果就行 循环神经网络之 结构细节 4月机器学习算法班 RNN模仿 贴吧留言 例子 4月机器学习算法班 o 详见ipython notebook RNN模仿贴吧留言例子 4月机器学习算法班 o 详见ipython notebook RNN模仿贴吧留言例子 4月机器学习算法班 o 双向RNN o有些情况下，当前的输出不只依赖于之前的序列元素，还可能依赖之后的序列元素 o比如从一段话踢掉部分词，让你补全 o直观理解：2个RNN叠加 不同类型的RNN 4月机器学习算法班 o 深层双向RNN o和双向RNN的区别是每一步/每个时间点我们

5、设定多层结构 不同类型的RNN 4月机器学习算法班 o 前面提到的RNN解决了，对之前的信息保存的问题 o 但是！从在长期依赖的问题。n 看电影的时候，某些情节的推断需要依赖很久以前的一些细节。n 很多其他的任务也一样。n 很可惜随着时间间隔不断增大时，RNN 会丧失学习到连接如此远的信息的能力。n 也就是说，记忆容量有限，一本书从头到尾一字不漏的去记，肯定离得越远的东西忘得越多。n 怎么办：LSTM 循环神经网络之 LSTM 4月机器学习算法班 o LSTM是RNN一种，大体结构几乎一样。区别是？o它的“记忆细胞”改造过。o该记的信息会一直传递，不该记的会被“门”截断。循环神经网络之 LST

6、M 4月机器学习算法班 o 之前提到的RNN结构如下 循环神经网络之 LSTM 4月机器学习算法班 o 咱们把“记忆细胞”表示得炫酷一点 循环神经网络之 LSTM 4月机器学习算法班 o LSTM呢？o“记忆细胞”变得稍微复杂了一点点 循环神经网络之 LSTM 4月机器学习算法班 o 图太复杂，细节看不懂？别着急，我们解释解释。循环神经网络之 LSTM 4月机器学习算法班 o LSTM关键：“细胞状态”o细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。循环神经网络之 LSTM 4月机器学习算法班 o LSTM怎么控制“细胞状态”？o通过“门”让

7、信息选择性通过，来去除或者增加信息到细胞状态 o包含一个sigmoid神经网络层 和 一个pointwise乘法操作 oSigmoid 层输出0到1之间的概率值，描述每个部分有多少量可以通过。0代表“不许任何量通过”，1就指“允许任意量通过”循环神经网络之 LSTM 4月机器学习算法班 o 第1步：决定从“细胞状态”中丢弃什么信息 =“忘记门”o 比如完形填空中填“他”或者“她”的问题，细胞状态可能包含当前主语的类别，当我们看到新的代词，我们希望忘记旧的代词。LSTM的几个关键“门”与操作 4月机器学习算法班 o 第2步：决定放什么新信息到“细胞状态”中 Sigmoid层决定什么值需要更新 T

8、anh层创建一个新的候选值向量 上述2步是为状态更新做准备 LSTM的几个关键“门”与操作 4月机器学习算法班 o 第3步：更新“细胞状态”更新Ct-1为Ct 把旧状态与ft相乘，丢弃掉我们确定需要丢弃的信息 加上it*。这就是新的候选值，根据我们决定更新每个状态的程度进行变化。LSTM的几个关键“门”与操作 4月机器学习算法班 o 第4步：基于“细胞状态”得到输出 首先运行一个sigmoid 层来确定细胞状态的哪个部分将输出 接着用tanh处理细胞状态(得到一个在-1到1之间的值)，再将它和sigmoid门的输出相乘，输出我们确定输出的那部分。比如我们可能需要单复数信息来确定输出“他”还是“

9、他们”LSTM的几个关键“门”与操作 4月机器学习算法班 o 变种1 增加“peephole connection”让 门层 也会接受细胞状态的输入。LSTM的变体 4月机器学习算法班 o 变种2 通过使用 coupled 忘记和输入门 之前是分开确定需要忘记和添加的信息，这里是一同做出决定。LSTM的变体 4月机器学习算法班 o 变种3：Gated Recurrent Unit(GRU)，2014年提出 将忘记门和输入门合成了一个单一的 更新门 同样还混合了细胞状态和隐藏状态，和其他一些改动。比标准LSTM简单。LSTM的变体 4月机器学习算法班 o 2015的paperLSTM:A Search Space Odyssey中，对各种变体做了对比，发现其实本质上它们大同小异。?o 2015的论文An Empirical Exploration of Recurrent Network Architectures中，google和facebook的大神尝试了1w+种RNN架构，发现并非所有任务上LSTM都表现最好。?o 现在有更多的RNN研究方向，比如attention model和Grid LSTM等等?LSTM比较？4月机器学习算法班 感谢大家！恳请大家批评指正！4月机器学习算法班