RNN-LSTM的简单理解

Recurrent Neural Network

这是看了台大李宏毅教授的关于RNN的课程后的一个学习笔记，写这篇笔记也是为了稍微整理整理思路。其实对LSTM的理解还很表面，目前也是停留在网络结构层面一个粗浅的理解，很多细节方面还未涉及。

RNN-Slot Filling

在将RNN之前，教授拿Slot Filling 作为例子，Slot Filling 中文名称槽填充，任务时读取句子中元素的语义成分，可以看为一个序列标注问题。序列标注问题简单来说就是给定一个一维线性输入序列$(x_1,x_2,\ldots,x_n)$(x1​,x2​,…,xn​),给序列中的每一个元素打上标签集合$(l_1,l_2,\ldots,l_n)$(l1​,l2​,…,ln​)中的某一个标签。

教授在这边举的例子：自动订票系统

当有人对系统说：I would like to arrive Taipei on Novemeber $2_{nd}$2nd​

这时候系统应该知道，Taipei 是destination ，Novemeber $2_{nd}$2nd​是time

destination 和 time 就是两个slot。所以我们就希望我们的machine是这样的

输出的是输入元素在各个slot的概率，概率最大的就是我们最后确定的slot。

但是，也会有人对系统说：I would like to leave Taipei on Novemeber $2_{nd}$2nd​

这时候 Taipei是departure 而不是destination。我们是根据leave和arrive来分辨的，这时候我们就同样希望我们的machine有记忆功能，能够记住前面的元素是什么来帮助分辨。

这时候，machine就是这样的。

这是教授ppt上的一个示意图。大致意义就是我们在进行第一个元素的标注时，将其隐层输出再作为第二个元素标注时隐层的输入。这样的话，还是刚才那个例子，我们在标注Taipei时是考虑到arrive的。这样的话，作为destination的Taipei和作为departure的Taipei是有可能被分开的。

• RNN 的一般类型：

  • Elman Network
    

    这里的网络就是之前提到的那种考虑之前元素的隐层输出。

  • Jordan Network

    

    这个网络和Elman网络的区别就是，第二个元素的隐层输入变成了前一个元素输出层的输出，一个比较好的解释就是，Elman Network虽然也提供了前一个元素的相关信息，但隐层的输出相对来说信息不太明确，比较来说，输出层提供的输出信息就确定很多。

  • Bidirectional RNN
    

    双向RNN分别从一个序列的头尾训练数据，这样一来对于序列中的一个元素来说，就即考虑了它前面的元素也考虑了它后面的元素。讲真的只能大概理解，并不能想出来他是怎么训练的。

• Long short-term Memory (LSTM)

  • LSTM单元
    
    上图所示是LSTM的一个记忆单元，我们可以很简单的看出来，相比于前面的简单RNN,LSTM对记忆单元增加了很多控制。一个LSTM记忆单元有4个输入，分别为元素的输入，Input Gate通常控制输入的程度， Forgrt Gate 通常控制对原先记忆信息的记忆程度，Output Gate 通常控制输出的程度。照下面这幅图简单情况下，可以这么理解:
    

  • LSTM Neural Network

    上面只是对LSTM单元的一个简单理解，具体到网络结构去理解LSTM时，可以将我们之前的神经网络中的神经元替换为LSTM的memory cell,区别大都在于一般神经网络的神经元接收的一个输入，而LSTM是4个输入。
    
    下面这幅图则是更加详细的理解，$c^{t-1}$ct−1是指由各个memory cell组成的一个记忆向量(只是我这么叫而已)，对于当前元素的标注，我们首先需要将元素$x^t$xt经过4种矩阵转换从而成为相应的4中输入($z^f,z^i,z,z^o$zf,zi,z,zo)。之后具体的计算过程与前面所述类似：
    $c^t = c^{t-1} \times \sigma(z^f) +\sigma(z^i)\times z \\ y^t = \sigma(c^t) \times \sigma(z^o)$ct=ct−1×σ(zf)+σ(zi)×zyt=σ(ct)×σ(zo)
    
    这还不够，hhhh。上面也只是最简单的LSTM，正常使用时形成$z^f,z^i,z,z^o$zf,zi,z,zo还是需要$c^{t-1},h^{t-1}$ct−1,ht−1的参与的。