讲义
博客：循环神经网络基础篇
神经网络基础
神经网络可以当作是能够拟合任意函数的黑盒子，只要训练数据足够，给定特定的
，就能得到希望的
，结构图如下：
将神经网络模型训练好之后，在输入层给定一个，通过网络之后就能够在输出层得到特定的，那么既然有了这么强大的模型，为什么还需要RNN（循环神经网络）呢？
为什么需要RNN（循环神经网络）
他们都只能单独的去处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。
比如，当我们在理解一句话意思时，孤立的理解这句话的词是不够的，我们需要处理这些词连接起来的整个序列；当我们处理视频的时候，我们也不能只单独的去分析每一帧，而要分析这些帧连接起来的整个序列。
以nlp的一个最简单词性标注任务来说，将我 吃 苹果三个单词标注词性为我/nn 吃/v 苹果/nn。
那么这个人物的输入就是：
我 吃 苹果（已经分词好的句子）
这个任务的输出就是：
我/nn 吃/v 苹果/nn（词性标注好的句子）
对于这个任务来说，我们当然可以直接用普通的神经网路来做，给网络的训练数据格式就是我 ->我/nn这样的多个单独的单词->词性标注好的单词。
但是很明显，一个句子中，前一个单词对于当前单词的词性预测是有很大影响的，比如预测苹果的时候，由于前面的吃是一个动词，那么很显然苹果作为名词的概率就会远大于动词的概率，因为动词后面接名词很常见，而动词后面接动词很少见。
所以为了解决一些这样类似的问题，能够更好的处理序列的信息，RNN就诞生了。
RNN结构
首先看一个简单的循环神经网络，它由输入层、一个隐藏层和一个输出层组成：
这个图比较抽象，有个问题：每个结点到底代表的是一个值的输入，还是说一层的向量结点集合，如何隐藏层又可以连接到自己？
我们现在这样理解：
如果把上面有W的那个循环去掉，它就变成最普通的全连接神经网络。是输入层的值，
是一个向量，表示隐藏层的值。
是输入层到隐藏层的权重矩阵，
也是一个向量，他表示输出层的值；
是隐藏层到输出层的权重矩阵。
所以，这个
代表什么？循环神经网络的隐藏层的值不仅取决于当前的输入,还取决于上一次隐藏层的值.权重矩阵就是隐藏层上一次的值作为这一次的输入的权重.
我们给出这个抽象图对应的具体图:
我们从上图就能够很清楚地看到,上一时刻的隐藏层是如何影响当前时刻的隐藏层的.
如果我们把上面的图展开,循环神经网络也可以画成下面这个样子:
现在看上去就比较清楚了,这个网络在
时刻接收到输入
之后,隐藏层的值就是
,输出值是
.关键一点是,的值不仅仅取决于,还取决于
.我们可以用下面的公式来表示循环神经网络的计算方法:
用公式表示如下:
总结
好了,到这里大概讲解了RNN最基本的几个知识点,能够帮助大家直观的感受RNN和了解需要RNN,后续总结它的反向求导知识点.
最后给出RNN的总括图:
若有收获，就点个赞吧
0 人点赞
