循環(huán)神經(jīng)網(wǎng)絡(luò)是什么？有哪些應(yīng)用？怎么去使用它？

什么是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），如何使用它們？本文所討論的就是關(guān)于循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)內(nèi)容，RNN 是變得日益流行的深度學(xué)習(xí)模型。本文不打算深入講解其晦澀的數(shù)學(xué)原理，而是旨在讓讀者獲得關(guān)于RNN 的抽象理解。

循環(huán)神經(jīng)網(wǎng)絡(luò)出現(xiàn)于20世紀(jì) 80年代，最近由于網(wǎng)絡(luò)設(shè)計(jì)的推進(jìn)和圖形處理單元上計(jì)算能力的提升，循環(huán)神經(jīng)網(wǎng)絡(luò)變得越來(lái)越流行。這種網(wǎng)絡(luò)尤其是對(duì)序列數(shù)據(jù)非常有用，因?yàn)槊總€(gè)神經(jīng)元或者單元能用它的內(nèi)部存儲(chǔ)來(lái)保存之前輸入的相關(guān)信息。在語(yǔ)言的案例中，“I had washed my house”這句話的意思與“I had my house washed”大不相同。這就能讓網(wǎng)絡(luò)獲取對(duì)該表達(dá)更深的理解。

注意到這點(diǎn)很重要，因?yàn)楫?dāng)閱讀一個(gè)句子甚至是一個(gè)人時(shí)，你就是要從它之前的單詞中提出每個(gè)詞的語(yǔ)境。

一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)里有很多個(gè)環(huán)，這些環(huán)能允許帶著信息通過(guò)神經(jīng)元，同時(shí)在輸入中讀取它們。

在這些圖表中， xt是某些輸入，A 是這個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)的一部分，而 ht 是輸出?；旧?，你能輸入句子中的詞或者甚至是像 xt 這樣的字符串中的字符，然后通過(guò)該循環(huán)神經(jīng)網(wǎng)絡(luò)它會(huì)得出一個(gè) ht。

目標(biāo)是用 ht 作為輸出，并將它與你的測(cè)試數(shù)據(jù)（通常是原始數(shù)據(jù)的一個(gè)小子集）比較。然后你會(huì)得出你的誤差率。比較完之后，有了誤差率，你就能使用一種叫隨時(shí)間反向傳播（BPTT）的技術(shù)。BPTT 返回檢查這個(gè)網(wǎng)絡(luò)，并基于誤差率調(diào)整權(quán)重。這樣也調(diào)整了這個(gè)網(wǎng)絡(luò)，并讓它學(xué)習(xí)去做得更好。

理論上說(shuō)，循環(huán)神經(jīng)網(wǎng)絡(luò)能從句子開(kāi)頭處理語(yǔ)境，它允許對(duì)一個(gè)句子末尾的詞進(jìn)行更精確的預(yù)測(cè)。在實(shí)踐中，對(duì)于 vanilla RNN 來(lái)說(shuō)，這并不是真正需要的。這就是為什么 RNN 在出現(xiàn)之后淡出研究圈一段時(shí)間直到使用神經(jīng)網(wǎng)絡(luò)中的長(zhǎng)短期記憶（LSTM）單元取得了一些不錯(cuò)的結(jié)果后又重新火起來(lái)的主要原因。加上 LATM 后的網(wǎng)絡(luò)就像是加了一個(gè)記憶單元，能記住輸入的最初內(nèi)容的語(yǔ)境。

這些少量記憶單元能讓 RNN 更加精確，而且是這種模型流行的最新原因。這些記憶單元允許跨輸入以便記住上下文語(yǔ)境。這些單元中，LSTM 與 門(mén)控循環(huán)單元（GRU）是當(dāng)下使用比較廣泛的兩個(gè)，后者的計(jì)算效率更高，因?yàn)樗鼈冋加玫挠?jì)算機(jī)內(nèi)存比較少。

RNN 有很多應(yīng)用。一個(gè)不錯(cuò)的應(yīng)用是與自然語(yǔ)言處理（NLP）的合作。網(wǎng)上已經(jīng)有很多人證明了 RNN，他們創(chuàng)造出了令人驚訝的模型，這些模型能表示一種語(yǔ)言模型。這些語(yǔ)言模型能采納像莎士比亞的詩(shī)歌這樣的大量輸入，并在訓(xùn)練這些模型后生成它們自己的莎士比亞式的詩(shī)歌，而且這些詩(shī)歌很難與原作區(qū)分開(kāi)來(lái)。

下面是莎士比亞式詩(shī)歌。

PANDARUS：

Alas， I think he shall be come approached and the day

When little srain would be attain‘d into being never fed，

And who is but a chain and subjects of his death，

I should not sleep.

Second Senator：

They are away this miseries， produced upon my soul，

Breaking and strongly should be buried， when I perish

The earth and thoughts of many states.

DUKE VINCENTIO：

Well， your wit is in the care of side and that.

Second Lord：

They would be ruled after this chamber， and

my fair nues begun out of the fact， to be conveyed，

Whose noble souls I’ll have the heart of the wars.

Clown：

Come， sir， I will make did behold your worship.

VIOLA：

I‘ll drink it.

這首詩(shī)完全是一個(gè) RNN 寫(xiě)出來(lái)的。這里有一篇好文章更深入地介紹了 Char RNNs 。

這種特殊類(lèi)型的 RNN 是在一個(gè)文本數(shù)據(jù)集中喂養(yǎng)的，它要逐字讀取輸入。與一次投喂一個(gè)詞相比，這種方式讓人驚訝的地方是這個(gè)網(wǎng)絡(luò)能創(chuàng)造出它自己獨(dú)特的詞，這些詞是用于訓(xùn)練的詞匯中沒(méi)有的。

一個(gè) char RNN 的例子

這張從以上參考文章中摘取的圖表展示了這個(gè)模型將會(huì)如何預(yù)測(cè)“Hello”這個(gè)詞。這張圖很好地將網(wǎng)絡(luò)如何逐字采納每個(gè)詞并預(yù)測(cè)下一個(gè)字符的可能性可視化了。

另一個(gè)讓人驚喜的 RNN 應(yīng)用是機(jī)器翻譯。這種方法很有趣，因?yàn)樗枰瑫r(shí)訓(xùn)練兩個(gè) RNN。在這些網(wǎng)絡(luò)中，輸入的是成對(duì)的不同語(yǔ)言的句子。例如，你能給這個(gè)網(wǎng)絡(luò)輸入意思相同的一對(duì)英法兩種語(yǔ)言的句子，其中英語(yǔ)是源語(yǔ)言，法語(yǔ)作為翻譯語(yǔ)言。有了足夠的訓(xùn)練后，你給這個(gè)網(wǎng)絡(luò)一個(gè)英語(yǔ)句子，它就能把它翻譯成法語(yǔ)！這個(gè)模型被稱(chēng)為序列到序列模型（Sequence to Sequences model ）或者編碼-解碼模型（Encoder- Decoder model）。

英法翻譯的例子

這張圖表展示了信息流是如何通過(guò)編碼-解碼模型的，它用了一個(gè)詞嵌入層（ word embedding layer ）來(lái)獲取更好的詞表征。一個(gè)詞嵌入層通常是 GloVe 或者 Word 2 Vec 算法，能批量采納詞，并創(chuàng)建一個(gè)權(quán)重矩陣，讓相似的詞相互連接起來(lái)。用一個(gè)嵌入層通常會(huì)讓你的 RNN 更加精確，因?yàn)樗芨玫谋碚飨嗨频脑~是什么樣的，以便減少網(wǎng)絡(luò)的推斷。

RNN 現(xiàn)在很流行。它們是自然語(yǔ)言處理中最有效的模型之一。這些模型會(huì)一直出現(xiàn)新的應(yīng)用。