RNN、LSTM、GRU 的梯度消失及梯度爆炸
RNN
RNN 结构
RNN 所有的隐层共享参数 (U,V,W)。
前向传播
假设 t 时刻的输入为 xt, 隐藏状态为 st,输出为 ot,那么
st=f(Wst−1+Uxt)ot=g(Vst)
其中,f,g 为**函数,f 常取 tanh,g 用于预测,常取 softmax。
损失函数
假设用于序列建模,输入为 (x1,x2,...,xT) ,标签为 (y1,y2,...,yT),模型的输出为 (o1,o2,...,oT)。那么该样本的损失一般可写为 :
L=t=1∑TLtLt=loss_function(yt,ot)
后向传播(BPTT)
RNN 使用梯度下降更新参数 (W,V,U)。参数 V 的更新较为简单:
∂V∂L=t=1∑T∂V∂Lt=t=1∑T∂ot∂Lt∂V∂ot
其中,∂ot∂Lt 可以根据损失函数的形式以及 Lt,ot,yt 的值进行计算,∂V∂ot 可以根据**函数 g 的形式以及 ot,st,V的值进行计算。
对于参数 W,U,st 是 W,U 的函数,st=f(Wst−1+Uxt)。但是RNN所有隐层共享参数,在这个函数中,st−1 也是 W,U 的函数。
对于参数 W (U 同理) :
∂W∂L=t=1∑T∂W∂Lt=t=1∑T∂ot∂Lt∂st∂ot∂W∂st
根据链式法则:
∂W∂st=[∂W∂st]++∂st−1∂st∂W∂st−1
其中,[∂W∂st]+ 表示 st 不考虑 st−1 时直接对 W 求导。而对于 ∂W∂st−1,同理:
∂W∂st−1=[∂W∂st−1]++∂st−2∂st−1∂W∂st−2∂W∂st=[∂W∂st]++∂st−1∂st∂W∂st−1=[∂W∂st]++∂st−1∂st([∂W∂st−1]++∂st−2∂st−1∂W∂st−2)=[∂W∂st−1]++∂st−1∂st[∂W∂st−1]++∂st−1∂st∂st−2∂st−1∂W∂st−2
依次对 st−2,st−3,...,s1,最终可得到:
∂W∂st=k=1∑t(j=k+1∏t∂sj−1∂sj)[∂W∂sk]+
因此:
∂W∂L=t=1∑T∂W∂Lt∂W∂Lt=∂ot∂Lt∂st∂ot∂W∂st=∂ot∂Lt∂st∂otk=1∑t(j=k+1∏t∂sj−1∂sj)[∂W∂sk]+=k=1∑t∂ot∂Lt∂st∂ot(j=k+1∏t∂sj−1∂sj)[∂W∂sk]+
当**函数 f 为 tanh 时:
∂x∂tanhx=1−(tanhx)2j=k+1∏t∂sj−1∂sj=j=k+1∏t(1−sj2)W
(1−sj2)≤1。当 W 比较小时,而连乘项比较多时,∏j=k+1t(1−sj2)W 就会趋近于0。当 W 比较大,∏j=k+1t(1−sj2)W 就会趋近于无穷。这就是RNN容易发生梯度消失或梯度爆炸的原因。
-
梯度爆炸直接导致浮点数溢出,因此比较容易观测到。
-
梯度消失则是靠前的输入无法起到作用,因此模型只能“短期记忆”,影响模型的拟合能力与收敛速度,比较难以观察。
此处存疑:sj 正相关于 W,当 W 越大,sj 越接近于1, (1−sj2) 越接近于0,因此 (1−sj2)W 未必会越大而产生梯度爆炸(欢迎探讨)。相对而言,梯度消失更容易发生。只要 W 小于1,且序列足够长,就会发生梯度消失。RNN的梯度消失和深层神经网络的梯度消失不同,深层神经网络的梯度消失一般指层数过深,前面的层因为梯度回传(每一层的梯度不一样)相乘次数多的结果趋近于0,RNN的梯度消失并非指总的梯度趋近于0,而是指参数的更新受近距离的梯度主导(近距离的梯度不会消失),很难学到远距离的关系(远距离的梯度会消失)。
由此可以看出,梯度爆炸或者梯度消失主要是因为BPTT时梯度过大或者梯度过小而导致的,那么可以采取以下方法进行改善:
- 梯度截断(gradient clipping)。设置一个阈值,使梯度不超过这个阈值,当梯度超过时使用阈值代替或对梯度进行放缩。
- 使用非饱和**函数,如ReLU及其变体。sigmoid 和 tanh 作为**函数时会将实值放缩到小于1的区域内,从而更容易发生梯度消失。
ReLU不会对原来的梯度进行放缩,因此很难发生梯度消失。某次梯度比较大,参数更新完小于0,那么ReLU梯度就会变成0,不会发生梯度消失,但是该参数会死掉,即永远不会更新, Leaky ReLU 等变体可改善该问题。
LSTM
LSTM 结构
LSTM 主要有三个门结构:输入门、遗忘门、输出门。
前向传播
遗忘门:
ft=sigmoid(Wf[ht−1,xt]+bf)
输入门:
it=sigmoid(Wi[ht−1,xt]+bi)C^t=tanh(Wc[ht−1,xt]+bc)
更新记忆:
Ct=ft∗Ct−1+it∗C^t
输出门:
ot=sigmoid(Wo[ht−1,xt]+bo)ht=ot∗tanh(Ct)
其中,∗ 表示矩阵对应元素相乘。
后向传播
LSTM的计算较为复杂,后向传播求导非常麻烦。因此这里只理解LSTM为何能够缓解RNN存在的梯度消失/梯度爆炸。LSTM中实际上有两个记忆单元,Ct 和 ht,考虑 Ct:
Ct=ft∗Ct−1+it∗C^t
考虑 Ct 中的第 i 个元素:
Ct,i=ft,iCt−1,i+it,iC^t,i
那么:
∂Ct−1,i∂Ct,i=ft,i+∂Ct−1,i∂ft,i+∂Ct−1,i∂it,iC^t,i
RNN的梯度下降是单项式连乘,LSTM则是多项式相乘,其次LSTM的梯度向后传播过程有非常多的路径,上述过程只是其中的一种,只用了对应元素相乘和相加,更为稳定,因此LSTM更难发生梯度消失。但是,总路径没有梯度消失不代表所有路径都没有梯度消失,某些路径后向传播时仍然是发生了梯度消失的。
早期的LSTM实际上是没有遗忘门的,即相当于 ft,i=1,因此连乘不会导致梯度消失。在添加遗忘门后,如果遗忘门接近 1(如模型初始化时会把 bf 设置成较大的正数,让遗忘门饱和),远距离的梯度不会消失;如果遗忘门接近 0,更有可能是模型学到了某些特征(如文本中的 “not”、“but” 等)选择对前面数据进行遗忘。大多数情况下遗忘门仍然是一个0~1的数,LSTM 仍然是有可能发生梯度消失的,只是概率远远低于RNN。
LSTM 仍然是有可能发生梯度爆炸的,但是因为回传路径复杂多样,并且可能经过多个**函数,因此频率比较低。实际中梯度爆炸一般结合梯度裁剪 (gradient clipping) 解决。
梯度仅仅是LSTM的有效性的一个方面,LSTM的有效性可以从多视角理解,如建模、信息选择上。如 Written Memories: Understanding, Deriving and Extending the LSTM。
GRU
GRU 结构
GRU分为重置门和更新门:
前向传播
重置门:
zt=sigmoid(Wz[ht−1,xt])
更新门:
rt=sigmoid(Wr[ht−1,xt])h^t=tanh(W[rt∗ht−1,xt])
更新记忆状态:
ht=(1−zt)∗ht−1+zt∗h^t
后向传播
关于梯度消失和梯度爆炸的分析类似于LSTM。GRU相对于LSTM参数更少,训练更快。理论上GRU记忆能力相对弱于LSTM,但是实际上很难判定优劣,一般通过实验进行选择。
Reference