做网站去哪里,物流企业网站建设规划书,网站怎么做seo优化啊,wordpress jquery cdn在这篇文章中#xff0c;我们介绍一下其他的RNN。
一.深层RNN
循环神经网络的架构是可以任意设计的#xff0c;之前提到的 RNN 只有一个隐藏层#xff0c;但 RNN 也可以是深层的。比如把 xt 丢进去之后#xff0c;它可以通过一个隐藏层#xff0c;再通过第二个隐藏层我们介绍一下其他的RNN。
一.深层RNN
循环神经网络的架构是可以任意设计的之前提到的 RNN 只有一个隐藏层但 RNN 也可以是深层的。比如把 xt 丢进去之后它可以通过一个隐藏层再通过第二个隐藏层以此类推 (通过很多的隐藏层) 才得到最后的输出。 每一个隐藏层的输出都会被存在记忆元里面在下一个时间点的时候每一个隐藏层会把前一个时间点存的值再读出来以此类推最后得到输出这个过程会一直持续下去。
二. Elman 网络 Jordan 网络
循环神经网络会有不同的变形如下图所示刚才讲的是简单循环网络Simple Recurrent NetworkSRN即把隐藏层的值存起来在下一个时间点在读出来。 Jordan 网络存的是整个网络输出的值它把输出值在下一个时间点在读进来把输出存到记忆元里。Elman 网络简单循环网络也称为 Elman 网络没有目标很难控制说它能学到什么隐藏层信息学到什么放到记忆元里但是 Jordan 网络是有目标比较很清楚记忆元存储的东西。
三. 双向循环神经网络
循环神经网络还可以是双向。 刚才 RNN 输入一个句子它就是从句首一直读到句尾。如下图所示假设句子里的每一个单词用 xt 表示其是先读 xt再读 xt1、xt2。
但其读取方向也可以是反过来的它可以先读 xt2再读 xt1、xt。我们可以同时训练一个正向的循环神经网络又可以训练一个逆向的循环神经网络然后把这两个循环神经网络的隐藏层拿出来都接给一个输出层得到最后的 yt。所以把正向的网络在输入 xt 的时候跟逆向的网络在输入 xt 时都丢到输出层产生 yt产生 yt1, yt2以此类推。
双向循环神经网络Bidirectional Recurrent Neural NetworkBi-RNN的好处是神经元产生输出的时候它看的范围是比较广的。 如果只有正向的网络再产生 yt、yt1 的时候神经元只看过 x1 到xt1的输入。但双向循环神经网络产生yt1的时候网络不只是看过x1,到xt1所有的输入它也看了从句尾到xt1的输入。网络就等于整个输入的序列。 假设考虑的是槽填充网络就等于看了整个句子后才决定每一个单词的槽这样会比看句子的一半还要得到更好的性能。
四、长短期记忆网络
最常用的记忆元是长短期记忆网络Long Short-Term Memory networkLSTM长时间 的短期记忆之前的循环神经网络它的记忆元在每一个时间点都会被洗掉只要有新的输入进来每一个时间点都会把记忆元洗掉所以的短期是非常短的但如果是长时间的短期记忆元它记得会比较久一点只要遗忘门不要决定要忘记它的值就会被存起来。
LSTM 是比较复杂的。LSTM 有三个门gate当外界某个神经元的输出想要被写到记忆元里面的时候必须通过一个输入门input gate输入门要被打开的时候才能把值写到记忆元里面。如果把这个关起来的话就没有办法把值写进去。 输入门的开关是神经网络自己学的其可以自己学什么时候要把输入门打开什么时候要把输入门关起来。
输出的地方也有一个输出门output gate输出门会决定外界其他的神经元能否从这个记忆元里面把值读出来。把输出门关闭的时候是没有办法把值读出来输出门打开的时候才可以把值读出来。跟输入门一样输出门什么时候打开什么时候关闭网络是自己学到的。
第三个门称为遗忘门forget gate遗忘门决定什么时候记忆元要把过去记得的东西忘掉。这个遗忘门什么时候会把存在记忆元的值忘掉什么时候会把存在记忆元里面的值继续保留下来这也是网络自己学到的。
整个 LSTM 可以看成有 4 个输入、1 个输出。在这 4 个输入中一个是想要被存在记忆元的值但不一定能存进去还有操控输入门的信号、操控输出门的信号、操控遗忘门的信号有着四个输入但它只会得到一个输出。
记忆元的对应计算公式 如下图所示下面这个是外界传入单元的输入还有输入门、遗忘门和输出门。 假设要被存到单元的输入叫做 z操控输入门的信号为 zi操控遗忘门的信号为 zf操控输出门为 zo综合这些东西会得到一个输出记为 a。 假设单元里面有这四个输入之前它里面已经存了值 c。输出 a 会长什么样子呢把 z 通过激活函数得到 g(z)zi 通过另外一个激活函数得到 f(zi) 激活函数通常会选择 sigmoid 函数因为其值介在0到1之间的sigmoid函数不清楚的可以去看之前的文章这个0到1之间的值代表了这个门被打开的程度。如果 f 的输出是1表示为被打开的状态反之代表这个门是关起来的。 把 g(z) 乘以 f(zi) 得到 g(z)f(zi)对于遗忘门的 zf也通过 sigmoid 的函数得到f(zf) 接下来把存到记忆元里面的值 c 乘以 f(zf) 得到 c f(zf)加起来 c′ g(z)f(zi)cf(zf)那么 c′ 就是重新存到记忆元里面的值。所以根据目前的运算这个 f(zi) 控制这个 g(z)。 假设输入 f(zi)0那 g(z)f(zi) 就等于 0就相当于没有输入如果 f(zi) 等于 1 就等于是把 g(z) 当做输入。 那这个 f(zf ) 决定是否要把存在记忆元的值洗掉假设 f(zf ) 1遗忘门开启的时候这时候 c 会直接通过把之前的值还会记得。 如果 f(zf) 0(遗忘门关闭的时候) cf(zf ) 等于 0。 然后把这个两个值加起来 (c′ g(z)f(zi) cf(zf)) 写到记忆元里面得到c′。这个遗忘门的开关是跟直觉是相反的遗忘门打开的时候代表的是记得关闭的时候代表的是遗忘。 那这个 c′ 通过 h(c′)将 h(c′) 乘以 f(zo) 得到 a f(c′f(zo)。 输出门受 f(zo) 所操控f(zo) 等于 1 的话就说明 h(c′) 能通过f(zo) 等于 0 的话说明记忆元里面存在的值没有办法通过输出门被读取出来。
在下一篇文章中我们再来详细探讨LSTM的原理。
