1、循环神经网络-RNN的由来
之前写到的CNN，用的领域在计算机视觉-CV；接下来介绍的RNN的主要作用的领域是自然语言处理-NLP。
自然语言处理包括了现在最常见的领域：语音识别、语音模型、机器翻译、视频解说、文本分类和图片生成描述等等。为什么RNN能生效？
要从输入开始说起，之前说到的CNN都是固定大小的输入和模型的输出值；但在自然语言处理领域内的输入和输出都不在是定长了。比方：图片生成描述，输入一张图片，输出为一个句子；文本分类，输入是一段文本，输出是一个类别等。
现在要是还用之前CNN思想，要把变长的输入问题解决掉，怎么解决呢？
因为NLP处理的是自然语言，像机器翻译，输入的是一段字符串，而对于网络来说，能处理的只有数字，所以输入必须经过一定的处理，才能给网络来计算，这个处理的步骤称作为embedding。提到embedding，先来个相似的在CNN常用的概念 -- one-hot编码，假设我们的词表有5个，“公主很漂亮”。基本样子如下：
公 [0 0 0 0 1]
主 [0 0 0 1 0]
很 [0 0 1 0 0]
漂 [0 1 0 0 0]
亮 [1 0 0 0 0]
可以看出，将所有的词做成了一个词表，每个词在词表中的相应位置标记为了1。那如果用一个向量来表示“公主很漂亮”的话，则为[4,3,2,1,0]，这种编码方式被称作为稀疏编码。
针对稀疏编码来讲，如果要求输入的长度必须一致的话，当稀疏编码后的向量长度不够时，要引进padding的概念，也就是在稀疏编码后向量中添加某个值，补齐长度，这个值一般是自己定义的unknown word；而当稀疏编码后的长度过长时，则直接将过长的部分截断。
在稀疏编码的基础上，如果将每个词映射到一个向量上，而不是直接的取该词在词表中的索引，像：
公主 [ 1.0 0.25 1.0]
王妃 [ 0.6 0.75 1.0]
这种方式的编码，称作为dense_embedding，常在RNN中简称为embedding，密集编码。
针对密集编码来讲，如果要求输入的长度必须一致的话，采用的方法是合并。n个词语依次embedding，假设embedding向量的长度为10，那么结果组合就为 n * 10 矩阵，对于全连接的输入大小是固定的，所以用global_avg_pooling，将横向的维度消掉，变为长度为10 的向量。
而稀疏编码和密集编码这两种方式的缺点：
1、信息丢失：
- 多个embedding合并后 有pad噪音 因为参与了avg_pooling计算 噪音过多 将原来的意思稀释
- 即时没有pad 直接合并 没有句子中主次之分 像文本分类中更倾向的表达情感的词语 主语、连接词并不太重要 真实意思被稀释掉
2、无效计算太多，低效：
太多的padding 如果句子本身长度为20 而定长为500 480个padding 参与了计算 增加训练的速度 浪费资源 低效
能不能完美地解决输入变长这个问题，接下来要引出循环神经网络-RNN了。
2、RNN的基本结构
循环神经网络结构
如图所示，输入的Xt，经过A操作后会输出ht，在A框周围的线表示一种循环，将此次进过A的中间状态st，作为下一步Xt+1的额外输入。而下次输入的Xt+1和此次的Xt使用同样的激活函数和参数。
拆开来看：
循环神经网络结构
带参数的循环神经网络结构
整个计算过程为下图：
循环神经网络计算过程
这样，不管输入的长度有多长，每次输入的Xt都经过同一组参数的循环神经网络，中间维持的隐藏层h即为试图包含整个句子的所有信息的一个状态值。每个输入对应的输出值即为此次的预测值。
3、参数量
计算参数量得从两个大的步骤来看，第一步是通过隐藏层h，计算此次的中间状态ht时的参数量，有关联的是U、W，假设维护中间转态ht的W为32层的隐含层网络，则W的参数为 32 * 32，输入的xt的embedding的维度为16维，则U的参数为 16 * 32 ，偏置b 为 32；第二步输出o，中间维护的状态W大小为 32 * 32，如果输出10个类别，则V的参数为 32 * 10，偏置b 为 10。
使用TensorFlow2.0 ，调用rnn：
embedding_dim = 16 #词语embedding的维度
batch_size = 512 #批次取多少条数据
vocab_size = 10000 #词表大小
max_length = 500 # 句子最长的长度
# 单层rnn
single_rnn_model = keras.models.Sequential([
keras.layers.Embedding(vocab_size, embedding_dim,
input_length = max_length),
keras.layers.SimpleRNN(units = 32, return_sequences = False),
# return_sequences 是否每次调用隐含层都需要输出 False-最后在输出一个值 TRUE-每次都输出一个值
keras.layers.Dense(64, activation = 'relu'),
keras.layers.Dense(1, activation='sigmoid'),
])
single_rnn_model.summary()
single_rnn_model.compile(optimizer = 'adam',
loss = 'binary_crossentropy',
metrics = ['accuracy'])
参数数目：
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_2 (Embedding) (None, 500, 16) 160000
_________________________________________________________________
simple_rnn_3 (SimpleRNN) (None, 32) 1568
_________________________________________________________________
dense_4 (Dense) (None, 64) 2112
_________________________________________________________________
dense_5 (Dense) (None, 1) 65
=================================================================
Total params: 163,745
Trainable params: 163,745
Non-trainable params: 0
_________________________________________________________________
网友评论