版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/hoho1151191150/article/details/79806021
系列博客是博主学习神经网络中相关的笔记和一些个人理解,仅为作者记录笔记之用,不免有很多细节不对之处。
回顾
前面五小节,我们简单学习了卷积神经网络(CNN)反向传播算法的推导,然后我们自己实现了一个浅层卷积神经网络。卷积神经网络在本系列中先告一段落,我们开始学习循环神经网络的相关知识。本系列的主旨是基础学习,大致了解各个神经网络的基本原理。至于更深的应用,我们留待以后学习。
正向传播
网上关于RNN的介绍非常多,我们这里就不多啰嗦了(主要博主也是似懂非懂),直接进入它的公式部分。为了方便理解,咱们还是以一个直观RNN的展开图开始
就上面的网络结构而言,RNN结构的基本单元可以看作是简单的三层神经网络(也可以是多层的,为了简单起见,以三层为例),与常规的神经网络不同的地方在于,它的隐层会将上一个时刻的隐层输出纳入到当前时刻隐层的输入中,这样就携带了过往时刻的相关信息了。下面是公式的对比
|
BP Net |
RNN |
input layer |
a=x
|
at=xt
|
hidden layer |
zh=Va+bhh=σ(zh)
|
zth=Vat+Uht−1h+bhht=σ(zth)[一般选取tanh函数]
|
output layer |
zy=Wh+byy=σ(zy)
|
zty=Wht+byyt=σ(zty)
|
结合上图,RNN的正向传播算法就很好理解了。RNN的输入是序列数据,需要训练的模型参数有
V
、
W
、
U
和
bh、by
。下图为某时刻隐层单元的结构示意图
反向传播
记
C=f(W,U,V,bh,bh)
是我们的代价函数,依旧记
δ=∂C/∂z
为误差。那么有
δty=∇ytC⊙σ′(zty)(1)
,由上式可推导出
δth=∂C∂zth=∂C∂zty∂zty∂ht∂ht∂zth+∂C∂zt+1y∂zt+1y∂ht∂ht∂zth=(WTδty+UTδt+1h)⊙σ′(zth)(2)
上面表红的地方是因为下一个时刻的
zt+1
也需要当前时刻的
ht
。有了
δ
的表达式,我们就可以很容易计算出模型参数的梯度,如下:
∂C∂W=∂C∂zty∂zty∂W=(ht)Tδty(3)
∂C∂V=∂C∂zth∂zth∂W=aTδth(4)
∂C∂U=∂C∂zth∂zth∂U=(ht−1)Tδth(5)
∂C∂bh=δth,∂C∂by=δty(6)
通过矩阵的写法,反向传播算法的表述十分简洁清晰。利用公式(1)-(6)我们就可以实现误差的反向传播了。
小结
上面简单总结了通用的RNN模型和正向反向传播算法。当然,有些RNN模型会有些不同,自然正向反向传播的公式会有些不一样,但是原理基本类似。
RNN虽然理论上可以很漂亮的解决序列数据的训练,但是它也像DNN一样有梯度消失时的问题,当序列很长的时候问题尤其严重。因此,上面的RNN模型一般不能直接用于应用领域。
参考资料:
1、循环神经网络RNN以及LSTM的推导和实现