《Recurrent Neural Networks》是Andrw Ng深度學習專項課程中的第五門課，也是最後一門課。這門課主要介紹迴圈神經網路（RNN）的基本概念、模型和具體應用。該門課共有3周課時，所以我將分成3次筆記來總結，這是第一節筆記。
1. Why sequence models
序列模型能夠應用在許多領域，例如：
- 語音識別
-
音樂發生器
-
情感分類
-
DNA序列分析
-
機器翻譯
-
視訊動作識別
-
命名實體識別
這些序列模型基本都屬於監督式學習，輸入x和輸出y不一定都是序列模型。如果都是序列模型的話，模型長度不一定完全一致。
2. Notation
下面以命名實體識別為例，介紹序列模型的命名規則。示例語句為：
Harry Potter and Hermione Granger invented a new spell.
該句話包含9個單詞，輸出y即為1 x 9向量，每位表徵對應單詞是否為人名的一部分，1表示是，0表示否。很明顯，該句話中“Harry”，“Potter”，“Hermione”，“Granger”均是人名成分，所以，對應的輸出y可表示為：
一般約定使用y^{< t >}表示序列對應位置的輸出，使用T_y表示輸出序列長度，則1\leq t\leq T_y。
對於輸入x，表示為：
同樣，x^{< t >}表示序列對應位置的輸入，T_x表示輸入序列長度。注意，此例中，T_x=T_y，但是也存在T_x\neq T_y的情況。
如何來表示每個x^{< t >}呢？方法是首先建立一個詞彙庫vocabulary，儘可能包含更多的詞彙。例如一個包含10000個詞彙的詞彙庫為：
該詞彙庫可看成是10000 x 1的向量。值得注意的是自然語言處理NLP實際應用中的詞彙庫可達百萬級別的詞彙量。
然後，使用one-hot編碼，例句中的每個單詞x^{< t >}都可以表示成10000 x 1的向量，詞彙表中與x^{< t >}對應的位置為1，其它位置為0。該x^{< t >}為one-hot向量。值得一提的是如果出現詞彙表之外的單詞，可以使用UNK或其他字串來表示。
對於多樣本，以上序列模型對應的命名規則可表示為：X^{(i)< t >}，y^{(i)< t >}，T_x^{(i)}，T_y^{(i)}。其中，i表示第i個樣本。不同樣本的T_x^{(i)}或T_y^{(i)}都有可能不同。
3. Recurrent Neural Network Model
對於序列模型，如果使用標準的神經網路，其模型結構如下：
使用標準的神經網路模型存在兩個問題：
第一個問題，不同樣本的輸入序列長度或輸出序列長度不同，即T_x^{(i)}\neq T_x^{(j)}，T_y^{(i)}\neq T_y^{(j)}，造成模型難以統一。解決辦法之一是設定一個最大序列長度，對每個輸入和輸出序列補零並統一到最大長度。但是這種做法實際效果並不理想。
第二個問題，也是主要問題，這種標準神經網路結構無法共享序列不同x^{< t >}之間的特徵。例如，如果某個x^{< t >}即“Harry”是人名成分，那麼句子其它位置出現了“Harry”，也很可能也是人名。這是共享特徵的結果，如同CNN網路特點一樣。但是，上圖所示的網路不具備共享特徵的能力。值得一提的是，共享特徵還有助於減少神經網路中的引數數量，一定程度上減小了模型的計算複雜度。例如上圖所示的標準神經網路，假設每個x^{< t >}擴充套件到最大序列長度為100，且詞彙表長度為10000，則輸入層就已經包含了100 x 10000個神經元了，權重引數很多，運算量將是龐大的。
標準的神經網路不適合解決序列模型問題，而迴圈神經網路（RNN）是專門用來解決序列模型問題的。RNN模型結構如下：
序列模型從左到右，依次傳遞，此例中，T_x=T_y。x^{< t >}到\hat y^{< t >}之間是隱藏神經元。a^{< t >}會傳入到第t+1個元素中，作為輸入。其中，$$a^{<0>
RNN的正向傳播（Forward Propagation）過程為：
a^{< t >}=g(W_{aa}\cdot a^{< t-1 >}+W_{ax}\cdot x^{< t >}+ba)
\hat y^{< t >}=g(W_{ya}\cdot a^{< t >}+b_y)
其中，g(\cdot)表示啟用函式，不同的問題需要使用不同的啟用函式。
為了簡化表示式，可以對a^{< t >}項進行整合：
則正向傳播可表示為：
a^{< t >}=g(W_a[a^{< t-1 >},x^{< t >}]+b_a)
\hat y^{< t >}=g(W_{y}\cdot a^{< t >}+b_y)
值得一提的是，以上所述的RNN為單向RNN，即按照從左到右順序，單向進行，\hat y^{< t >}只與左邊的元素有關。但是，有時候\hat y^{< t >}也可能與右邊元素有關。例如下面兩個句子中，單憑前三個單詞，無法確定“Teddy”是否為人名，必須根據右邊單詞進行判斷。
He said, “Teddy Roosevelt was a great President.”
He said, “Teddy bears are on sale!”
因此，有另外一種RNN結構是雙向RNN，簡稱為BRNN。\hat y^{< t >}與左右元素均有關係，我們之後再詳細介紹。
4. Backpropagation through time
針對上面識別人名的例子，經過RNN正向傳播，單個元素的Loss function為：
L^{< t >}(\hat y^{< t >},y^{< t >})=-y^{< t >}log\ \hat y^{< t >}-(1-y^{< t >})log\ (1-\hat y^{< t >})
該樣本所有元素的Loss function為：
L(\hat y,y)=\sum_{t=1}^{T_y}L^{< t >}(\hat y^{< t >},y^{< t >})
然後，反向傳播（Backpropagation）過程就是從右到左分別計算L(\hat y,y)對引數W_{a}，W_{y}，b_a，b_y的偏導數。思路與做法與標準的神經網路是一樣的。一般可以通過成熟的深度學習框架自動求導，例如PyTorch、Tensorflow等。這種從右到左的求導過程被稱為Backpropagation through time。
5. Different types of RNNs
以上介紹的例子中，T_x=T_y。但是在很多RNN模型中，T_x是不等於T_y的。例如第1節介紹的許多模型都是T_x\neq T_y。根據T_x與T_y的關係，RNN模型包含以下幾個型別：
- Many to many: T_x=T_y
-
Many to many: T_x\neq T_y
-
Many to one: T_x>1,T_y=1
-
One to many: T_x=1,T_y>1
-
One to one: T_x=1,T_y=1
不同型別相應的示例結構如下：
6. Language model and sequence generation
語言模型是自然語言處理（NLP）中最基本和最重要的任務之一。使用RNN能夠很好地建立需要的不同語言風格的語言模型。
什麼是語言模型呢？舉個例子，在語音識別中，某句語音有兩種翻譯：
- The apple and pair salad.
-
The apple and pear salad.
很明顯，第二句話更有可能是正確的翻譯。語言模型實際上會計算出這兩句話各自的出現概率。比如第一句話概率為10^{-13}，第二句話概率為10^{-10}。也就是說，利用語言模型得到各自語句的概率，選擇概率最大的語句作為正確的翻譯。概率計算的表示式為：
P(y^{< 1 >},y^{< 2 >},\cdots,y^{< T_y >})
如何使用RNN構建語言模型？首先，我們需要一個足夠大的訓練集，訓練集由大量的單詞語句語料庫（corpus）構成。然後，對corpus的每句話進行切分詞（tokenize）。做法就跟第2節介紹的一樣，建立vocabulary，對每個單詞進行one-hot編碼。例如下面這句話：
The Egyptian Mau is a bread of cat.
One-hot編碼已經介紹過了，不再贅述。還需注意的是，每句話結束末尾，需要加上 < EOS > 作為語句結束符。另外，若語句中有詞彙表中沒有的單詞，用 < UNK > 表示。假設單詞“Mau”不在詞彙表中，則上面這句話可表示為：
The Egyptian < UNK > is a bread of cat. < EOS >
準備好訓練集並對語料庫進行切分詞等處理之後，接下來構建相應的RNN模型。
語言模型的RNN結構如上圖所示，x^{< 1 >}和a^{< 0 >}均為零向量。Softmax輸出層\hat y^{< 1 >}表示出現該語句第一個單詞的概率，softmax輸出層\hat y^{< 2 >}表示在第一個單詞基礎上出現第二個單詞的概率，即條件概率，以此類推，最後是出現 < EOS > 的條件概率。
單個元素的softmax loss function為：
L^{< t >}(\hat y^{< t >},y^{< t >})=-\sum_iy_i^{< t >}log\ \hat y_i^{< t >}
該樣本所有元素的Loss function為：
L(\hat y,y)=\sum_tL^{< t >}(\hat y^{< t >},y^{< t >})
對語料庫的每條語句進行RNN模型訓練，最終得到的模型可以根據給出語句的前幾個單詞預測其餘部分，將語句補充完整。例如給出 “Cats average 15”，RNN模型可能預測完整的語句是 “Cats average 15 hours of sleep a day.”。
最後補充一點，整個語句出現的概率等於語句中所有元素出現的條件概率乘積。例如某個語句包含y^{< 1 >},y^{< 2 >},y^{< 3 >}，則整個語句出現的概率為：
P(y^{< 1 >},y^{< 2 >},y^{< 3 >})=P(y^{< 1 >})\cdot P(y^{< 2 >}|y^{< 1 >})\cdot P(y^{< 3 >}|y^{< 1 >},y^{< 2 >})
7 Sampling novel sequences
利用訓練好的RNN語言模型，可以進行新的序列取樣，從而隨機產生新的語句。與上一節介紹的一樣，相應的RNN模型如下所示：
首先，從第一個元素輸出\hat y^{< 1 >}的softmax分佈中隨機選取一個word作為新語句的首單詞。然後，y^{< 1 >}作為x^{< 2 >}，得到\hat y^{< 1 >}的softmax分佈。從中選取概率最大的word作為y^{< 2 >}，繼續將y^{< 2 >}作為x^{< 3 >}，以此類推。直到產生 < EOS > 結束符，則標誌語句生成完畢。當然，也可以設定語句長度上限，達到長度上限即停止生成新的單詞。最終，根據隨機選擇的首單詞，RNN模型會生成一條新的語句。
值得一提的是，如果不希望新的語句中包含 < UNK > 標誌符，可以在每次產生 < UNK > 時重新取樣，直到生成非 < UNK > 標誌符為止。
以上介紹的是word level RNN，即每次生成單個word，語句由多個words構成。另外一種情況是character level RNN，即詞彙表由單個英文字母或字元組成，如下所示：
Vocabulay=[a,b,c,\cdots,z,.,;,\ ,0,1,\cdots,9,A,B,\cdots,Z]
Character level RNN與word level RNN不同的是，\hat y^{< t >}由單個字元組成而不是word。訓練集中的每句話都當成是由許多字元組成的。character level RNN的優點是能有效避免遇到詞彙表中不存在的單詞 < UNK > 。但是，character level RNN的缺點也很突出。由於是字元表徵，每句話的字元數量很大，這種大的跨度不利於尋找語句前部分和後部分之間的依賴性。另外，character level RNN的在訓練時的計算量也是龐大的。基於這些缺點，目前character level RNN的應用並不廣泛，但是在特定應用下仍然有發展的趨勢。
8. Vanisging gradients with RNNs
語句中可能存在跨度很大的依賴關係，即某個word可能與它距離較遠的某個word具有強依賴關係。例如下面這兩條語句：
The cat, which already ate fish, was full.
The cats, which already ate fish, were full.
第一句話中，was受cat影響；第二句話中，were受cats影響。它們之間都跨越了很多單詞。而一般的RNN模型每個元素受其周圍附近的影響較大，難以建立跨度較大的依賴性。上面兩句話的這種依賴關係，由於跨度很大，普通的RNN網路容易出現梯度消失，捕捉不到它們之間的依賴，造成語法錯誤。關於梯度消失的原理，我們在之前的吳恩達《優化深度神經網路》課程筆記（1）– 深度學習的實用層面已經有過介紹，可參考。
另一方面，RNN也可能出現梯度爆炸的問題，即gradient過大。常用的解決辦法是設定一個閾值，一旦梯度最大值達到這個閾值，就對整個梯度向量進行尺度縮小。這種做法被稱為gradient clipping。
9. Gated Recurrent Unit(GRU)
RNN的隱藏層單元結構如下圖所示：
a^{< t >}的表示式為：
a^{< t >}=tanh(W_a[a^{< t-1 >},x^{< t >}]+b_a)
為了解決梯度消失問題，對上述單元進行修改，新增了記憶單元，構建GRU，如下圖所示：
相應的表示式為：
\tilde c^{< t >}=tanh(W_c[c^{< t-1 >},x^{< t >}]+b_c)
\Gamma_u=\sigma(W_u[c^{< t-1 >},x^{< t >}]+b_u)
c^{< t >}=\Gamma*\tilde c^{< t >}+(1-\Gamma_u)*c^{< t-1 >}
其中，c^{< t-1 >}=a^{< t-1 >}，c^{< t >}=a^{< t >}。\Gamma_u意為gate，記憶單元。當\Gamma_u=1時，代表更新；當\Gamma_u=0時，代表記憶，保留之前的模組輸出。這一點跟CNN中的ResNets的作用有點類似。因此，\Gamma_u能夠保證RNN模型中跨度很大的依賴關係不受影響，消除梯度消失問題。
上面介紹的是簡化的GRU模型，完整的GRU新增了另外一個gate，即\Gamma_r，表示式如下：
\tilde c^{< t >}=tanh(W_c[\Gamma_r*c^{< t-1 >},x^{< t >}]+b_c)
\Gamma_u=\sigma(W_u[c^{< t-1 >},x^{< t >}]+b_u)
\Gamma_r=\sigma(W_r[c^{< t-1 >},x^{< t >}]+b_r)
c^{< t >}=\Gamma*\tilde c^{< t >}+(1-\Gamma_u)*c^{< t-1 >}
a^{< t >}=c^{< t >}
注意，以上表示式中的 * 表示元素相乘，而非矩陣相乘。
10. Long Short Term Memory(LSTM)
LSTM是另一種更強大的解決梯度消失問題的方法。它對應的RNN隱藏層單元結構如下圖所示：
相應的表示式為：
\tilde c^{< t >}=tanh(W_c[a^{< t-1 >},x^{< t >}]+b_c)
\Gamma_u=\sigma(W_u[a^{< t-1 >},x^{< t >}]+b_u)
\Gamma_f=\sigma(W_f[a^{< t-1 >},x^{< t >}]+b_f)
\Gamma_o=\sigma(W_o[a^{< t-1 >},x^{< t >}]+b_o)
c^{< t >}=\Gamma_u*\tilde c^{< t >}+\Gamma_f*c^{< t-1 >}
a^{< t >}=\Gamma_o*c^{< t >}
LSTM包含三個gates：\Gamma_u，\Gamma_f，\Gamma_o，分別對應update gate，forget gate和output gate。
如果考慮c^{< t-1 >}對\Gamma_u，\Gamma_f，\Gamma_o的影響，可加入peephole connection，對LSTM的表示式進行修改：
\tilde c^{< t >}=tanh(W_c[a^{< t-1 >},x^{< t >}]+b_c)
\Gamma_u=\sigma(W_u[a^{< t-1 >},x^{< t >},c^{< t-1 >}]+b_u)
\Gamma_f=\sigma(W_f[a^{< t-1 >},x^{< t >},c^{< t-1 >}]+b_f)
\Gamma_o=\sigma(W_o[a^{< t-1 >},x^{< t >},c^{< t-1 >}]+b_o)
c^{< t >}=\Gamma_u*\tilde c^{< t >}+\Gamma_f*c^{< t-1 >}
a^{< t >}=\Gamma_o*c^{< t >}
GRU可以看成是簡化的LSTM，兩種方法都具有各自的優勢。
11. Bidirectional RNN
我們在第3節中簡單提過Bidirectional RNN，它的結構如下圖所示：
BRNN對應的輸出y^{< t >}表示式為：
\hat y^{< t >}=g(W_{y}[a^{\rightarrow < t >},a^{\leftarrow < t >}]+b_y)
BRNN能夠同時對序列進行雙向處理，效能大大提高。但是計算量較大，且在處理實時語音時，需要等到完整的一句話結束時才能進行分析。
12. Deep RNNs
Deep RNNs由多層RNN組成，其結構如下圖所示：
與DNN一樣，用上標[l]表示層數。Deep RNNs中a^{[l]< t >}的表示式為：
a^{[l]< t >}=g(W_a^{[l]}[a^{[l]< t-1 >},a^{[l-1]< t >}]+b_a^{[l]})
我們知道DNN層數可達100多，而Deep RNNs一般沒有那麼多層，3層RNNs已經較複雜了。
另外一種Deep RNNs結構是每個輸出層上還有一些垂直單元，如下圖所示：
至此，第一節筆記介紹完畢！
更多AI資源請關注公眾號：AI有道（ID：redstonewill）
