RNN 結構詳解

ZhangYi發表於2018-12-14

NLP裡最常用、最傳統的深度學習模型就是迴圈神經網路 RNN（Recurrent Neural Network）。這個模型的命名已經說明了資料處理方法，是按順序按步驟讀取的。與人類理解文字的道理差不多，看書都是一個字一個字，一句話一句話去理解的。

本文將介紹RNN及其一些重要的RNN變種模型：

RNN
Encoder-Decoder（ = Seq-to-Seq ）
Attention Mechanism

RNN 多結構詳解

CNN vs RNN

CNN 需要固定長度的輸入、輸出，RNN 的輸入和輸出可以是不定長且不等長的
CNN 只有 one-to-one 一種結構，而 RNN 有多種結構，如下圖：

1. one-to-one

最基本的單層網路，輸入是x，經過變換Wx+b和啟用函式f得到輸出y。

2. one-to-n

輸入不是序列而輸出為序列的情況，只在序列開始進行輸入計算：

圖示中記號的含義是：

圓圈或方塊表示的是向量。
一個箭頭就表示對該向量做一次變換。如上圖中h0和x分別有一個箭頭連線，就表示對h0和x各做了一次變換。

還有一種結構是把輸入資訊X作為每個階段的輸入：

下圖省略了一些X的圓圈，是一個等價表示：

這種 one-to-n 的結構可以處理的問題有：

從影像生成文字（image caption），此時輸入的X就是影像的特徵，而輸出的y序列就是一段句子，就像看圖說話等
從類別生成語音或音樂等

3. n-to-n

最經典的RNN結構，輸入、輸出都是等長的序列資料。

假設輸入為X=(x1, x2, x3, x4)，每個x是一個單詞的詞向量。

為了建模序列問題，RNN引入了隱狀態h（hidden state）的概念，h可以對序列形的資料提取特徵，接著再轉換為輸出。先從h1的計算開始看：

h2的計算和h1類似。要注意的是，在計算時，每一步使用的引數U、W、b都是一樣的，也就是說每個步驟的引數都是共享的，這是RNN的重要特點，一定要牢記。

依次計算剩下來的（使用相同的引數U、W、b）：

這裡為了方便起見，只畫出序列長度為4的情況，實際上，這個計算過程可以無限地持續下去。得到輸出值的方法就是直接透過h進行計算：

正如之前所說，一個箭頭就表示對對應的向量做一次類似於f(Wx+b)的變換，這裡的這個箭頭就表示對h1進行一次變換，得到輸出y1。

剩下的輸出類似進行（使用和y1同樣的引數V和c）：

這就是最經典的RNN結構，它的輸入是x1, x2, …..xn，輸出為y1, y2, …yn，也就是說，輸入和輸出序列必須要是等長的。由於這個限制的存在，經典RNN的適用範圍比較小，但也有一些問題適合用經典的RNN結構建模，如：

計算影片中每一幀的分類標籤。因為要對每一幀進行計算，因此輸入和輸出序列等長。
輸入為字元，輸出為下一個字元的機率。這就是著名的Char RNN（詳細介紹請參考：The Unreasonable Effectiveness of Recurrent Neural Networks，Char RNN可以用來生成文章，詩歌，甚至是程式碼，非常有意思）。

4. n-to-one

要處理的問題輸入是一個序列，輸出是一個單獨的值而不是序列，應該怎樣建模呢？實際上，我們只在最後一個h上進行輸出變換就可以了：

這種結構通常用來處理序列分類問題。如輸入一段文字判別它所屬的類別，輸入一個句子判斷其情感傾向，輸入一段影片並判斷它的類別等等。

Encoder-Decoder

n-to-m

還有一種是 n-to-m，輸入、輸出為不等長的序列。

這種結構是Encoder-Decoder，也叫Seq2Seq，是RNN的一個重要變種。原始的n-to-n的RNN要求序列等長，然而我們遇到的大部分問題序列都是不等長的，如機器翻譯中，源語言和目標語言的句子往往並沒有相同的長度。為此，Encoder-Decoder結構先將輸入資料編碼成一個上下文語義向量c：

語義向量c可以有多種表達方式，最簡單的方法就是把Encoder的最後一個隱狀態賦值給c，還可以對最後的隱狀態做一個變換得到c，也可以對所有的隱狀態做變換。

拿到c之後，就用另一個RNN網路對其進行解碼，這部分RNN網路被稱為Decoder。Decoder的RNN可以與Encoder的一樣，也可以不一樣。具體做法就是將c當做之前的初始狀態h0輸入到Decoder中：

還有一種做法是將c當做每一步的輸入：

Encoder-Decoder 應用

由於這種Encoder-Decoder結構不限制輸入和輸出的序列長度，因此應用的範圍非常廣泛，比如：

機器翻譯：Encoder-Decoder的最經典應用，事實上這結構就是在機器翻譯領域最先提出的。
文字摘要：輸入是一段文字序列，輸出是這段文字序列的摘要序列。
閱讀理解：將輸入的文章和問題分別編碼，再對其進行解碼得到問題的答案。
語音識別：輸入是語音訊號序列，輸出是文字序列。

Encoder-Decoder 框架

Encoder-Decoder 不是一個具體的模型，是一種框架。

Encoder：將 input序列 →轉成→ 固定長度的向量
Decoder：將固定長度的向量 →轉成→ output序列
Encoder 與 Decoder 可以彼此獨立使用，實際上經常一起使用

因為最早出現的機器翻譯領域，最早廣泛使用的轉碼模型是RNN。其實模型可以是 CNN /RNN /BiRNN /LSTM /GRU /…

Encoder-Decoder 缺點

最大的侷限性：編碼和解碼之間的唯一聯絡是固定長度的語義向量c
編碼要把整個序列的資訊壓縮排一個固定長度的語義向量c
語義向量c無法完全表達整個序列的資訊
先輸入的內容攜帶的資訊，會被後輸入的資訊稀釋掉，或者被覆蓋掉
輸入序列越長，這樣的現象越嚴重，這樣使得在Decoder解碼時一開始就沒有獲得足夠的輸入序列資訊，解碼效果會打折扣

因此，為了彌補基礎的 Encoder-Decoder 的侷限性，提出了attention機制。

Attention Mechanism

注意力機制（attention mechanism）是對基礎Encoder-Decoder的改良。Attention機制透過在每個時間輸入不同的c來解決問題，下圖是帶有Attention機制的Decoder：

每一個c會自動去選取與當前所要輸出的y最合適的上下文資訊。具體來說，我們用aij衡量Encoder中第j階段的hj和解碼時第i階段的相關性，最終Decoder中第i階段的輸入的上下文資訊 ci就來自於所有 hj 對 aij 的加權和。

以機器翻譯為例（將中文翻譯成英文）：

輸入的序列是“我愛中國”，因此，Encoder中的h1、h2、h3、h4就可以分別看做是“我”、“愛”、“中”、“國”所代表的資訊。在翻譯成英語時，第一個上下文c1應該和 “我” 這個字最相關，因此對應的 a11 就比較大，而相應的 a12、a13、a14 就比較小。c2應該和“愛”最相關，因此對應的 a22 就比較大。最後的c3和h3、h4最相關，因此 a33、a34 的值就比較大。

至此，關於Attention模型，只剩最後一個問題了，那就是：這些權重 aij 是怎麼來的？

事實上，aij 同樣是從模型中學出的，它實際和Decoder的第i-1階段的隱狀態、Encoder第j個階段的隱狀態有關。

同樣還是拿上面的機器翻譯舉例， a1j 的計算（此時箭頭就表示對h’和 hj 同時做變換）：