机器学习系列：递归神经网络

前言

BP 神经网络，训练的时候，给定一组输入和输出，不断的对权值进行训练，使得输出达到稳定。但 BP 神经网络并不是适合所有的场景，并不真正的体现出某些场景的真正特点。回到经典的概率论问题，抛硬币问题，假设你已经抛了100次的，90次是正面的，10次是反面的，问现在继续在抛一次，出现正面的概率是多少？如果没有前面几次的经验，很正常的会认为再次出现正面的概率是50%，但由于我们之前有对这个进行了实验，即有了经验了，按照贝叶斯定律，出现正面的概率肯定会大于50%。BP 神经网络也少了对前面结果的一种反馈。

常见，易懂的受到前位影响的算法，加法算法。十位的结果，所到个位结果的影响，因为可能有进位，同样，百位的结果所到十位的影响。

这种受到前位影响的算法非常的常见，而经典 BP 神经网络并不能很好的反映这种算法的特性，需要就经典的BP神经网络进行优化和改造，也就是引进前位，历史数据对网络的影响，使其具备时序性。通过历史数据的关联来推测后续的事情。

递归神经网络RNN

从前面加法算法的动态图中，对现有的 BP 神经网络进行改造，也就是加入前位的结果对于后续网络的影响。

3

如果去掉 layer1 层，那么就是一个最简单的 BP神经网络了。这里引入了 layer1 层，使得经典的 BP 神经网络多了一个输入，layer_1 层在加法算法中，表示的是前一个输入就可以反映出加法算法的特性，从结构来看，这个 LSTM 的变形并不是非常的复杂，但现在就重要的就是如何计算出各个层次的增量，然后进行迭代了。

这里主要需要解决导数问题 python 的代码实现：

5

其中 layer1delta 变量为两个变量的和：

7

算法的迭代过程在：

http://nicodjimenez.github.io/2014/08/08/lstm.html
https://github.com/nicodjimenez/lstm

算法跟BP神经网络没有太大的不同，但要注意的还是各个变量的增量和迭代问题。

递归神经网络的应用

递归神经网络跟BP神经网络，最大的不同是引进了时序，可以根据以往的数据来推测未来的事件。这是现在比较热门的一个方向。比较多的应用实在语音和文本的处理上，网上有相当多的关于递归神经网络的应用，比如写出像汪峰一样的歌词，默写唐诗，写冷段子等。但要写出像样的歌词和诗词，还需要做很多的处理，如果把递归神经网络应用在推荐系统里，也会得到不错的效果。

参考

http://blog.csdn.net/zzukun/article/details/49968129
http://www.jianshu.com/p/9dc9f41f0b29
http://nicodjimenez.github.io/2014/08/08/lstm.html
https://github.com/nicodjimenez/lstm
http://blog.csdn.net/longxinchen_ml/article/details/51253526
https://github.com/karpathy/char-rnn
http://blog.csdn.net/v_july_v/article/details/52796239