循環神經網絡（RNN）和（LSTM）初學者指南

最近，有一篇入門文章引發了不少關注。文章中詳細介紹了循環神經網絡（RNN），及其變體長短期記憶（LSTM）背后的原理。

具體內容，從前饋網絡（Feedforward Networks）開始講起，先后講述了循環神經網絡、時序反向傳播算法（BPTT）、LSTM等模型的原理與運作方式。

這篇文章來自Skymind，一家推動數據項目從原型到落地的公司。獲得了YCombinator、騰訊等的投資。

對于人工智能初學者來說，是一份非常不錯的入門資料。

循環網絡，是一種人工神經網絡（ANN），用來識別數據序列中的模式。

比如文本、基因組、筆記、口語或來自傳感器、股票市場和政府機構的時間序列數據。

它的算法考慮了時間和順序，具有時間維度。

研究表明，RNN是最強大和最有用的神經網絡之一，它甚至能夠適用于圖像處理。

把圖像分割成一系列的補丁，可以視為一個序列。

但是，想要理解循環網絡，首先要必須了解前饋網絡的基本知識。

前饋網絡回顧

前饋網絡和循環網絡的命名，來自于它們在傳遞信息時，在網絡節點上執行的一系列數學運算的方式。

前饋網絡直接向前遞送信息（不會再次接觸已經經過的節點），而循環網絡則是通過循環傳遞信息。

前饋網絡中的樣例，輸入網絡后被轉換成輸出；在監督學習中，輸出將是一個標簽，一個應用于輸入的名稱。

也就是說，前饋網絡將原始數據映射到類別，識別出信號的模式。例如，輸入圖像應該被標記為“貓”還是“大象”。

前饋網絡根據標記的圖像進行訓練，直到猜測圖像類別時產生的錯誤最小化。 通過一組經過訓練的參數（或者稱為權重，統稱為模型） ，網絡就可以對它從未見過的數據進行分類了。

一個訓練好的前饋網絡可以應用在任何隨機的照片數據集中，它識別的第一張照片，并不會影響它對第二張照片的預測。

看到一只貓的照片之后，不會導致網絡預下一張圖是大象。

也就是說，前饋網絡沒有時間順序的概念，它考慮的唯一輸入就是它所接觸到的當前的輸入樣例。

循環網絡

與前饋網絡相比，循環網絡的輸入不僅包括當前的輸入樣例，還包括之前的輸入信息。

下面是美國加州大學圣地亞哥分校教授Jeffrey Elman提出的一個早期的簡單循環網絡的示意圖。

圖底部的BTSXPE代表當前時刻的輸入樣例，而CONTEXT UNIT代表前一時刻的輸出。

循環網絡在t-1個時間步的判定，會影響隨后在t時間步的判定。所以，循環網絡有兩個輸入源，現在和最近的過去，它們結合起來決定對新數據的反應，就像我們在生活中一樣。

循環網絡與前饋網絡的區別在于，循環網絡的反饋循環會連接到它們過去的判定，將自己的輸出作為輸入。

循環網絡是有記憶的。給神經網絡增加記憶的目的在于：序列本身帶有信息，循環網絡用它來執行前饋網絡不能執行的任務。

這些連續的信息被保存在循環網絡的隱藏狀態中，這種隱藏狀態管理跨越多個時間步，并一層一層地向前傳遞，影響網絡對每一個新樣例的處理。

循環網絡，需要尋找被許多時刻分開的各種事件之間的相關性，這些相關性被稱為“長距離依賴”，因為時間下游的事件依賴于之前的一個或多個事件，并且是這些事件的函數。

因此，你可以將RNN理解為是一種跨時間分享權重的方式。

正如人類的記憶在身體內無形地循環，影響我們的行為但不暴露全貌一樣，信息也在循環網絡的隱藏狀態中循環。

用數學的方式來描述記憶傳遞的過程是這樣的：

t代表時間步，ht代表第t個時間步的隱藏狀態，是同一個時間步xt的輸入函數。W是權重函數，用于修正xt。

U是隱藏狀態矩陣，也被稱為轉移矩陣，類似于馬爾可夫鏈。ht-1代表t的上一個時間步t-1的隱藏狀態。

權重矩陣，是決定當前輸入和過去隱藏狀態的重要程度的過濾器。 它們產生的誤差會通過反向傳播返回，并用于調整相應的權重，直到誤差不再降低。

權重輸入（Wxt）和隱藏狀態（Uht-1）的總和被函數φ壓縮，可能是邏輯S形函數或者是雙曲正切（tanh）函數，視情況而定。

這是一個標準工具，用于將非常大或非常小的值壓縮到邏輯空間中，并使梯度可用于反向傳播。

因為這個反饋循環發生在序列中的每個時間步中，每個隱藏狀態不僅跟蹤前一個隱藏狀態，只要記憶能夠持續存在，它會還包含h_t-1之前的所有的隱藏狀態。

給定一系列字母，循環網絡將使用第一個字符來幫助確定它對第二個字符的感知，比如，首字母是q，可能會導致它推斷下一個字母是u，而首字母是t，可能會導致它推斷下一個字母是h。

由于循環網絡跨越時間，用動畫來說明可能會更好。（可以將第一個垂直節點看作是一個前饋網絡，隨著時間的推移，它會變成循環網絡）。

在上圖中，每個x是一個輸入樣例，w是過濾輸入的權重，a是隱藏層的激活（加權輸入和先前隱藏狀態的和），b是隱藏層使用修正線性或sigmoid單元轉換或壓縮后的輸出。

時序反向傳播算法（BPTT）

循環網絡的目的是準確地對序列輸入進行分類。主要依靠誤差的反向傳播和梯度下降法來做到這一點。

前饋網絡中的反向傳播從最后的誤差開始，經過每個隱藏層的輸出、權重和輸入反向移動，將一定比例的誤差分配給每個權重，方法是計算它們的偏導數?e/?w，或它們之間的變化率之間的關系。

隨后，這些偏導數會被用到梯度下降算法中，來調整權重減少誤差。

而循環網絡依賴于反向傳播的一種擴展，稱為時序反向傳播算法，即BPTT。

在這種情況下，時間通過一系列定義明確、有序的計算來表達，這些計算將一個時間步與下一個時間步聯系起來。

神經網絡，無論是循環的還是非循環的，都是簡單的嵌套復合函數，比如f（g（h（x））。添加時間元素，只是擴展了我們用鏈式法則計算導數的函數序列。

截斷式BPTT

截斷式BPTT（Truncated BPTT）是完整BPTT的近似方法，是處理是長序列的首選。

在時間步較多的序列中，完整BPTT的每個參數更新的正向/反向運算成本變得非常高。

截斷式BPTT的缺點是，由于截斷，梯度反向移動的距離有限，因此網絡無法學習與完整BPTT一樣長的依賴。

梯度消失和梯度爆炸

和大多數神經網絡一樣，循環網絡也有了一定的歷史。 到1990年代初，梯度消失問題成為影響網絡性能的主要障礙。

就像直線表示x的變化和y的變化一樣，梯度表示所有權重隨誤差變化的變化。如果我們不知道梯度，我們就不能在減少誤差的方向上調整權重，網絡也就會停止學習。

循環網絡，在最終的輸入和之前許多時間步之間建立聯系時，也遇到了問題。因為很難知道一個遠距離的輸入有多么重要。

就像向前追溯曾曾曾曾曾……祖父母兄弟的數量一樣，會越來越多，越來越多。

這在一定程度上是因為，通過神經網絡傳遞的信息要經過多個乘法階段。

每個研究過復利的人都知道，任何數量循環乘以略大于一的量，都會變得不可估量的大（實際上，簡單的數學真理支撐著網絡效應和社會不平等）。

反過來，乘以小于1的量，也會變得非常非常小。如果賭徒們每投入一美元，只能贏得97美分，那么他們很快就會破產。

由于深度神經網絡的層和時間步通過乘法相互關聯，導數很容易消失或爆炸。

梯度爆炸時，每一個權重就像諺語中的蝴蝶一樣，它拍打的翅膀會引起遠處的颶風。

但是梯度爆炸解決起來相對容易，因為它們可以被截斷或壓縮。

梯度消失正好相反，是導數變得非常小，使計算機無法工作，網絡也無法學習。這是一個更難解決的問題。

下面你可以看到一遍又一遍應用S形函數的效果。 數據曲線越來越平緩，直至在較長的距離上無法檢測到斜率。 這類似于通過許多層的梯度消失。

長短期記憶（LSTM）

在90年代中期，德國研究人員Sepp Hochreiter和Juergen Schmidhuber提出了一種具有長短期記憶單元（ LSTM ）的循環網絡變體，作為梯度消失問題的解決方案。

LSTM有助于保留可以通過時間和層進行反向傳播的誤差。

通過保留一個更為恒定的誤差，它們使循環網絡能夠在有許多時間步（超過1000步）的情況下繼續學習，從而打開一個遠程鏈接因果關系的通道。

這是機器學習和人工智能面臨的主要挑戰之一，因為算法經常遇到獎勵信號稀疏和延遲的環境。

LSTM將信息存放在循環網絡正常信息流之外的門控單元中。信息可以像計算機內存中的數據一樣存儲、寫入單元，或者從單元中讀取。

單元通過打開和關閉的門來決定存儲什么，以及何時允許讀取、寫入和忘記。

但與計算機上的數字存儲器不同，這些門是模擬的，通過范圍在0~1之間的sigmoid函數的逐元素相乘來實現。

與數字信號相比，模擬信號的優勢是可微分，因此適用于反向傳播。

這些門類似于神經網絡的節點，會根據它們接收到的信號決定開關，它們根據信息的強度和重要性來阻止或傳遞信息，然后用它們自己的權重過濾這些信息。

這些權重，就像調整輸入和隱藏狀態的權重一樣，可以在循環網絡學習過程中進行調整。

也就是說，記憶單元學習會通過猜測、反向傳播誤差和梯度下降法調整權重的迭代過程，來決定何時允許數據進入、離開或刪除。

下圖說明了數據如何通過記憶單元，以及門如何控制數據流動。

如果你剛剛接觸LSTM，不要著急，仔細研究一下。只需要幾分鐘，就能揭開其中的秘密。

從底部開始，三個箭頭顯示，信息由多個點流入記憶單元。 當前輸入和過去單元狀態的組合不僅反饋到單元本身，而且反饋到它的三個門中的每一個，這將決定它們如何處理輸入。

黑點是門本身，決定是否讓新的輸入進入、遺忘當前的狀態，還是讓這一狀態在當前時間步影響網絡的輸出。

Sc是記憶單元的當前狀態，g_y_in是記憶單元的當前輸入。

請記住，每個門都可以打開或關閉，它們會在每一步重新組合它們的打開和關閉狀態。記憶單元，在每個時間步都可以決定，是否遺忘、寫入、讀取它的狀態，這些流都表示出來了。

大的、加粗的字母，給出了每個操作的結果。

下面是另一個示意圖，對比了簡單的循環網絡（左）和 LSTM 單元（右）。

值得注意的是，LSTM的記憶單元在輸入轉換中賦予加法和乘法不同的角色。

兩個圖中的中心加號，本質上就是 LSTM 的秘密。

雖然這看起來非常非常簡單，但當必須在深度上反向傳播時，這種變化有助于保持恒定的誤差。

LSTM不是將當前狀態乘以新的輸入來確定后續的單元狀態，而是將兩者相加，這就產生了差異。 （用于遺忘的門仍然依賴于乘法。）

不同的權重集對輸入信息進行篩選，決定是否輸入、輸出或遺忘。

不同的權重集對輸入信息進行過濾，決定是否輸出或遺忘。遺忘門被表示為一個線性恒等式函數，因為如果門是打開的，那么記憶單元的當前狀態就會被簡單地乘以1，從而向前傳播一個時間步。

此外，有一個簡單的竅門。將每個LSTM記憶單元遺忘門的偏差設定為1，可以提升網絡性能。（但另一方面，Sutskever建議將偏差設定為5。）

你可能會問，LSTM的目的是將遠距離事件與最終的輸出聯系起來，為什么它們會有一個遺忘門？

好吧，有時候遺忘是件好事。

如果分析一個文本語料庫，在到達一個文檔的末尾時，下一個文檔基本上跟它沒有關系，因此，在網絡攝取下一個文檔的第一個元素之前，應該將記憶單元設置為零。

以分析一個文本語料庫為例，在到達文檔的末尾時，你可能會認為下一個文檔與這個文檔肯定沒有任何聯系，所以記憶單元在開始吸收下一個文檔的第一項元素前應當先歸零。

在下圖中，你可以看到在工作的門，直線表示關閉的門，空白圓圈代表打開的門。沿著隱藏層水平延伸的線條和圓圈是表示遺忘門。

需要注意的是，前饋網絡只是一對一，即將一個輸入映射到一個輸出。但循環網絡可以一對多，多對多，多對一。

涵蓋不同時間尺度和遠距離依賴

你可能還想知道，保護記憶單元不受新數據進入的輸入門和防止它影響 RNN 的某些輸出的輸出門的精確值是多少。你可以把 LSTM 看作是，允許一個神經網絡同時在不同的時間尺度上運行。

讓我們以一個人的生命為例，想象一下我們在一個時間序列中收到了關于那個生命的各種數據流。

每個時間步的地理位置，對于下一個時間步來說都非常重要，因此時間尺度總是對最新信息開放的。

也許這個人是一個勤奮的公民，每兩年投票一次。在民主時代，我們會特別關注他們在選舉前后的所作所為。我們不想讓地理位置持續產生噪音影響我們的政治分析。

如果這個人也是一個勤奮的女兒，那么也許我們可以構建一個家庭時間，學習每周日定期打電話的模式，每年假期前后，打電話的數量都會激增。這與政治周期或地理位置無關。

其他的數據也是這樣。音樂是多節奏的。文本中包含不同時間間隔的重復主題。股票市場和經濟會有更長的波動周期。它們在不同的時間尺度上同時運行，LSTM可以捕捉到這些時間尺度。

門控循環單元（GRU）

門控循環單元（ GRU ）基本上是沒有輸出門的LSTM，因此在每個時間步，它都將內容從其記憶單元完全寫入到較大的網絡中。

代碼示例

這里示例，是一個LSTM如何學習復制莎士比亞戲劇的評論，使用Deeplearning4j實現。在難以理解的地方，都有相應的注釋。

傳送門：

https://github.com/deeplearning4j/dl4j-examples/blob/master/dl4j-examples/src/main/java/org/deeplearning4j/examples/recurrent/character/LSTMCharModellingExample.java

LSTM超參數調整

以下是手動優化RNN超參數時需要注意的一些情況：

小心過擬合，神經網絡基本在“記憶”訓練數據時，就會發生過擬合。過擬合意味著你在訓練數據上有很好的表現，在其他數據集上基本無用。

正則化有好處：方法包括 l1、 l2和dropout等。

要有一個單獨的測試集，不要在這個測試集上訓練網絡。

網絡越大，功能就越強，但也更容易過擬合。 不要試圖從10000個示例中學習一百萬個參數，參數》樣例=麻煩。

數據越多越好，因為它有助于防止過度擬合。

訓練要經過多個epoch（算法遍歷訓練數據集）。

每個epoch之后，評估測試集表現，以了解何時停止（要提前停止）。

學習速率是最重要的超參數。

總體而言，堆疊層會有幫助。

對于LSTM，可以使用softsign（而不是softmax）函數替代雙曲正切函數，它更快，更不容易飽和（ 梯度大概為0 ）。

更新器：RMSProp、AdaGrad或Nesterovs通常是不錯的選擇。AdaGrad也會降低學習率，這有時會有所幫助。

記住，要將數據標準化、MSE損失函數+恒等激活函數用于回歸、Xavier權重初始化。