试谈`RNN`中`门`的变迁

作者: gunjianpan | 来源:发表于2018-11-04 22:37 被阅读60次

试谈`RNN`中`门`的变迁
RNN中的GRU门
循环神经网络pytorch实现
深度学习--RNN文本分类
Keras RNN 源码分析
TextRNN用于文本分类
2021-11-11
pytorch RNN运算分析
02-25：RNN算法
RNN

博客引流

终于发完proposal 的邮件深吸一口气

~~希望明天不要被怼的太惨~~

已经连续 ~~高强度（hua shui)~~ 看paper n天了

一切索然无味

随着看到的paper层次越来越高

就越发羡慕搞NLP的

昨天还在跟室友说一开始觉得写SMN的WuWei dalao指不定是个中年油腻大叔

结果人家研究生还没毕业

哇满脸的羡慕

言归正传打算用两三篇blog 讲一下最近学习的多轮检索式对话这个领域

第一篇就来谈一谈在检索式对话中用到最多的 RNN 模型家族 ~~(之所以称之为家族因为变种太多了)~~

Naïve RNN

RNN = Recureent Neural Network

翻译成中文就是循环神经网络（注意不是递归，虽然它的过程很递归）

和传统的卷积神经网络CNN 全连接神经网络DNN不同的是其包含时序信息

顺带说一下另外两者的特点

DNN: n层与n-1层每个都有关, 参数数量级巨大;
CNN: 卷积+pool，至于什么是卷积？加权叠加

这一点十分有利于用于训练和时间相关的Dataset 尤其是NLP方面

有没有觉得很像马尔科夫链~~(en 不是过程就是链)~~

事实上在有CNN之前确实一般都做成隐马尔科夫链

NN起源于多层感知机MLP

感知机之所以能战胜同时期的元胞自动机异军突起主要是其拥有反向传播算法

但NN随着训练层数的增大会出现梯度消失现象但层度深确实效果好呀

于是就有一堆学者提出了各种办法使得 NN的层数能够扩展

比如说预处理高速公路网络(highway network)和深度残差学习(deep residual learning)

时序的效果不仅仅是训练结果和之前的转态有关还带来了变长度输出的特性这点和其他NN尤为不同

image

CNN 可以在下一个时间点把输出作用在节点自身

如果按时间展开就变成那张经典的图作用在t+1时刻输出o(t+1)是该时刻输入和所有历史共同作用的结果

image

可以看出 $s_{t+1}, o_t = f(s_t, x_t, U, V, W)$

和别的NN不同的是RNN所有步骤共享相同的参数 $U, V, W$

有正向的RNN 很容易想到是不是还有双向的(Bidirectional RNN) 深度(Deep Bidirectional RNN)

但对于上述RNN都不可避免的会出现前面说的梯度消失的现象

只不过在这里对的是时间维度上的消失(即时序信息传播不过k间隔)

所以就有了一系列改进版RNN

LSTM

比如说最著名的LSTM[4]

LSTM = LONG SHORT-TERM MEMORY

其通过门的设置来实现长时期的记忆能力

LSTM每个时刻的hidden state包含了多个memory blocks

每个block包含了多个memory cell

每个memory cell包含一个Cell和三个门Gate: 输入门，输出门，遗忘门

image

Forward Pass

$Input Gate$
$a_l^t=\sum\limits_{i=1}^Iw_{il}x_i^t+\sum\limits_{h=1}^Hw_{hl}b_h^{t-1}+\sum\limits_{c=1}^Cw_{cl}s_c^{t-1}$

$b_l^t=f(a_l^t)$
$Forget Gate$
$a_\phi^t=\sum\limits_{i=1}^Iw_{i\phi}x_i^t+\sum\limits_{h=1}^Hw_{h\phi}b_h^{t-1}+\sum\limits_{c=1}^Cw_{c\phi}s_c^{t-1}$

$b_\phi^t=f(a_\phi^t)$
$Cell$
$a_c^t=\sum\limits_{i=1}^Iw_{ic}x_i^t+\sum\limits_{h=1}^Hw_{hc}b_h^{t-1}$

$s_c^t=b_\phi ^ts_c^{t-1}+b_l^tg(a_c^t)$
$Output Gate$
$a_\omega^t=\sum\limits_{i=1}^Iw_{i\omega}x_i^t+\sum\limits_{h=1}^Hw_{h\omega}b_h^{t-1}+\sum\limits_{c=1}^Cw_{c\omega}s_c^t$

$b_\omega^t=f(a_\omega^t)$
$Cell Outputs$

$b_c^t=b_\omega^th(s_c^t)$

注意OutPut Gate中最后一项是 $s_c^t$ , 而不是 $s_c^{t-1}$ 因为此时Cell结果已经产生了

Backward Pass

定义 $\epsilon_c^t=\dfrac{\partial \Gamma}{\partial b_c^t}$ $\epsilon_s^t=\dfrac{\partial \Gamma}{\partial s_c^t}$

$Cell Outputs$

$\epsilon_c^t=\sum\limits_{k=1}^Kw_{ck}\delta_k^t+\sum\limits_{g=1}^Gw_{cg}\delta_g^{t+1}$
$Output Gates$

$\epsilon_\omega^t=f'(a_\omega^t)\sum\limits_{c=1}^Ch(s_{c}^t)\epsilon_c^t$
$State$
$\epsilon_s^t=b_w^th'(s_c^t)+b_\phi^{t+1}\epsilon_s^{t+1}+w_{c\phi}\delta_\phi^{t+1}+w_{cw}\delta_w^t$
$Cell$

$\delta_c^t=b_l^tg'(a_c^t)\epsilon_s^{t}$
$Forget Gates$

$\epsilon_\phi^t=f'(a_\phi^t)\sum\limits_{c=1}^Cs_{c}^{t-1}\epsilon_s^t$
$Input Gates$

$\epsilon_l^t=f'(a_l^t)\sum\limits_{c=1}^Cg(a_{c}^{t})\epsilon_s^t$

可以看出Forget Gates和其他两个Gates在指数上略有差别

嗯我放这么些公式就是想要恶心大家的

~~我已经料想到没什么人可以看到这里了~~

实际上你可以把LSTM想象成一个传送带，从过去一直拉到未来

而门则是管控上下这根传送带尽职的保安大叔

Forget Gate规定着什么时候必须下车~~放心这是去幼儿园的车~~

Input Gate负责到点把东西放入传送带

Output Gate负责到点把东西从传送带输出（Forget是无用的 Output是有用的）

结合下图再理解下

image

GRU

注意到LSTM有三个门

在计算时这三个门都需要进行迭代在计算时耗时较大并行操作空间较小

故提出了GRU模型[9]

其通过Update Gates 替代Output Gates + Forget Gates

把Cell State 和隐状态 $h_i$ 合并

LSTM转态转移方程(这才是需要记得公式)

$i_t=\sigma(W_is_{t-1}+U_ix_t+b_i)$

$o_t=\sigma(W_os_{t-1}+U_ox_t+b_o)$

$f_t=\sigma(W_fs_{t-1}+U_fx_t+b_f)$

$\tilde{s_t}=\phi(W(o_t\bigodot s_{t-1}))+Ux_t+b)$

$s_t=f_t\bigodot s_{t-1}+i_t\bigodot \tilde{s_t}$

其中i, o, f分别代表input, output, forget gates
GRU转态转移方程

$r_t=\sigma(W_rs_{t-1}+U_rx_t+b_r)$

$z_t=\sigma(W_zs_{t-1}+U_zx_t+b_z)$

$\tilde{s_t}=\phi(W(r_t\bigodot s_{t-1}))+Ux_t+b)$

$s_t=z_t\bigodot s_{t-1}+(1-z_t)\bigodot \tilde{s_t}$

其中r, z分别代表reset, update

可以看出转态转移方程少了一个计算量势必会下降

很显然 GRU LSTM也都有对应的双向版本

SRU 及类似模型

GRU的结果实际上已经比较好了

但计算代价还是太大

于是在16年末到17年逐渐由学者提出进一步缩减门运算的模型结构

门减少势必会减小运算量但之所以引入门是因为我们需要更好的传递性

当然在顶会上发Paper的这几个模型在实际效果上都不错

我这里写SRU不太恰当 Quasi-RNN, MRU都是类似的思想这里以SRU为例来进行分析

直接来看

SRU的转态转移方程[8]

$\tilde{s_t}=Ws_t$

$f_t=\sigma(W_fs_t+b_f)$

$r_t=\sigma(W_rs_t+b_r)$

$\tilde{s_t}=\phi(W(r_t\bigodot s_{t-1}))+Ux_t+b)$

$c_t=f_t\bigodot c_{t-1}+(1-f_t)\bigodot \tilde{s_t}$

$h_t=r_t\bigodot g(c_t)+(1-r_t)\bigodot s_t$

可以看出其相较于之前的模型最大的差别在于门转态不再和之前转态有关

这意味着什么？

意味着我们不再需要等着迭代

在预处理的时候就可以把所有门状态值计算出来

！！！而且这些门的计算都是复杂度十分高的矩阵乘法

注意这里的是矩阵乘法而下面隐层 $h_t$ 中的运算都是矩阵的Hadamard乘--对应 $i,j$ 直接相乘

这两者的复杂度差别十分大了

所以 SRU这类模型最大的贡献就是提升 RNN运算速度

当然 SRU 并没有不依赖前者转态

self-attention

当然 dalao也不会闲着

就在大家已经觉得时序就=RNN的时候

Google Brain的dalao 发了一篇题目就很拉风的paper

Attention is all you need[10]

简单来说其一次性计算出带较长语句的word encodeing

通过positional matrix 来获得时序信息

这样的好处就是可以并行计算在计算性能上较RNN更优

self-attention的另外一个优点就是寻找时序关系更优

尤其是适合在跳跃topic的语料中

举个例子聊天聊到一半你说你去收个衣服，在这里topic就中断了，直到你再次回来

position的方式更容易计算之间的关系而不用担心梯度消失

具体公式
$Attention(Q,K,V) =softmax(\dfrac{QK^T}{\sqrt{d_k}})V$

$Q\in R^{n\times d_k},K\in R^{d_k\times m},V\in R^{m\times d_v}$

$head_i = Attention(QW_i^Q,KW_i^K,VW_i^V)$

$MultiHead(Q,K,V) = concat(head_1, head_2,...,head_h)$