人工智能之機(jī)器學(xué)習(xí)的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN算法解析

前言：人工智能機(jī)器學(xué)習(xí)有關(guān)算法內(nèi)容，請(qǐng)參見公眾號(hào)“科技優(yōu)化生活”之前相關(guān)文章。人工智能之機(jī)器學(xué)習(xí)主要有三大類：1）分類；2）回歸；3）聚類。今天我們重點(diǎn)探討一下循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）算法。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）現(xiàn)已成為國(guó)際上神經(jīng)網(wǎng)絡(luò)專家研究的重要對(duì)象之一。它是一種節(jié)點(diǎn)定向連接成環(huán)的人工神經(jīng)網(wǎng)絡(luò)，最初由Jordan，Pineda．Williams，Elman等于上世紀(jì)80年代末提出的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。

引領(lǐng)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN研究的主要是JuergenSchmidhuber和他的學(xué)生——其中包括SeppHochreiter，他發(fā)現(xiàn)了高深度網(wǎng)絡(luò)所遇到的梯度消失問題，后來又發(fā)明了長(zhǎng)短期記憶（LSTM）循環(huán)網(wǎng)絡(luò)；還有Alex Graves，他目前在DeepMind任職。另外兩位比較著名的研究者分別是：Felix Gers，他發(fā)明了LSTM遺忘門；Justin Bayer，他發(fā)明了可以讓LSTM拓?fù)浣Y(jié)構(gòu)根據(jù)具體問題進(jìn)行自動(dòng)演化的方法。

RNN概念：

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN（Recurrent NeuronNetwork）的內(nèi)部狀態(tài)可以展示動(dòng)態(tài)時(shí)序行為。不同于前饋神經(jīng)網(wǎng)絡(luò)的是，RNN可以利用它內(nèi)部的記憶來處理任意時(shí)序的輸入序列，這讓它可以更容易處理如不分段的手寫識(shí)別、語(yǔ)音識(shí)別等。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）可以實(shí)現(xiàn)并行和序列計(jì)算，原則上可以計(jì)算任何傳統(tǒng)計(jì)算機(jī)所能計(jì)算的東西。但和傳統(tǒng)計(jì)算機(jī)不同的是，RNN與人類大腦有相似之處；人腦是一種由神經(jīng)元相互聯(lián)結(jié)組成的大型前饋網(wǎng)絡(luò)，可以借由某種方式學(xué)會(huì)將長(zhǎng)達(dá)人的一生的感覺信號(hào)輸入流轉(zhuǎn)換為一個(gè)有效的運(yùn)動(dòng)輸出序列。人腦是一個(gè)杰出的模范，因?yàn)樗芙鉀Q許多計(jì)算機(jī)尚且力所不及的問題。

RNN特征：

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的本質(zhì)特征是在處理單元之間既有內(nèi)部的反饋連接又有前饋連接。從系統(tǒng)觀點(diǎn)看，它是一個(gè)反饋動(dòng)力系統(tǒng)，在計(jì)算過程中體現(xiàn)過程動(dòng)態(tài)特性，比前饋神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的動(dòng)態(tài)行為和計(jì)算能力。

RNN分類：

1）完全遞歸網(wǎng)絡(luò)（Fully recurrent network）

2）Hopfield網(wǎng)絡(luò)（Hopfield network）

3）Elman networks and Jordannetworks

4）回聲狀態(tài)網(wǎng)絡(luò)（Echo state network）

5）長(zhǎng)短記憶網(wǎng)絡(luò)（Long short term memery network）

6）雙向網(wǎng)絡(luò)（Bi－directional RNN）

7）持續(xù)型網(wǎng)絡(luò)（Continuous－time RNN）

8）分層RNN（Hierarchical RNN）

9）復(fù)發(fā)性多層感知器（Recurrent multilayer perceptron）

10）二階遞歸神經(jīng)網(wǎng)絡(luò)（Second Order Recurrent Neural Network）

11）波拉克的連續(xù)的級(jí)聯(lián)網(wǎng)絡(luò)（Pollack’s sequential cascaded networks）

RNN與FNN區(qū)別：

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN和前饋神經(jīng)網(wǎng)絡(luò)FNN的最大區(qū)別在于有一個(gè)反饋循環(huán)。另外，兩者的記憶模式完全不同。在定型之后，前饋神經(jīng)網(wǎng)絡(luò)會(huì)生成已學(xué)習(xí)數(shù)據(jù)的靜態(tài)模型，然后接受新的樣例，進(jìn)行準(zhǔn)確的分類或聚類。而循環(huán)神經(jīng)網(wǎng)絡(luò)RNN則會(huì)生成動(dòng)態(tài)模型，即會(huì)隨時(shí)間推移而變化的模型，即將第n－1步的輸出反饋給神經(jīng)網(wǎng)絡(luò)，對(duì)第n步的輸出產(chǎn)生影響，之后的每一步也都以此類推。這種變化可以讓模型依據(jù)輸入樣例的上下文來進(jìn)行準(zhǔn)確的分類。

RNN模型與記憶：

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN包含了決定同個(gè)序列中的前一次分類結(jié)果的隱藏狀態(tài)。以后每一步，這一隱藏狀態(tài)會(huì)與新一步的輸入數(shù)據(jù)相加，生成一個(gè)新的隱藏狀態(tài)，再得出一個(gè)新的分類結(jié)果。每個(gè)隱藏狀態(tài)都會(huì)被循環(huán)利用，生成經(jīng)過調(diào)整的后續(xù)隱藏狀態(tài)。

人類的記憶模式同樣能考慮上下文，循環(huán)利用對(duì)于過往狀態(tài)的認(rèn)知來恰當(dāng)?shù)亟庾x新數(shù)據(jù)。人類會(huì)受到短期記憶和先前感覺的影響，保留了不同的“隱藏狀態(tài)”。

RNN基本結(jié)構(gòu)：

RNN是一種對(duì)序列數(shù)據(jù)建模的神經(jīng)網(wǎng)絡(luò)，即一個(gè)序列當(dāng)前的輸出與前面的輸出也有關(guān)。具體的表現(xiàn)形式為網(wǎng)絡(luò)會(huì)對(duì)前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱藏層之間的節(jié)點(diǎn)不再無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時(shí)刻隱藏層的輸出。下面是一個(gè)RNN模型的示例圖，其中：

xt是t時(shí)刻的輸入；

st是t時(shí)刻的隱狀態(tài)（memory），基于上一時(shí)刻的隱狀態(tài)和當(dāng)前輸入得到：st＝f（Uxt＋Wst？1），其中f一般是非線性的激活函數(shù)，在計(jì)算s0時(shí)，需要用到s？1。

ot表示t時(shí)刻的輸出，ot＝softmax（Vst）；

在RNN中，所有層次均共享同樣的參數(shù)。其反應(yīng)出RNN中的每一步都在做相同的事，只是輸入不同，因此大大地降低了網(wǎng)絡(luò)中需要學(xué)習(xí)的參數(shù)。

RNN允許對(duì)向量的序列進(jìn)行操作：輸入可以是序列，輸出也可以是序列，在最一般化的情況下輸入輸出都可以是序列。輸出序列理解為RNN關(guān)于序列下一個(gè)狀態(tài)預(yù)測(cè)的信心程度。