4.(先修课③④)Recurrent Neural Networ

作者: SpareNoEfforts | 来源:发表于2018-12-09 10:29 被阅读41次

课程链接：
https://youtu.be/xCGidAeyS4M?list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49

https://www.youtube.com/watch?v=rTqmWlnwz_0&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49&index=25

RNN的基础概念

以订票系统中的Slot Filling为例，我们希望订票系统听到用户说:”I would like to arrive Taipei on November 2nd.”或者”I would like to leaveTaipei on November 2nd.” 时做好Slot Filling, 即识别出语音中 Taipei 属于 Destination 这个slot, November 2nd 属于 Time of arrival这个slot, 而其它词汇不属于任何slot。
能否用Feedforward network解决这一问题呢？
先说结论：不能。
为什么呢？我们把word变成vector（e.g. 1-of-N encoding, word hashing）作为Feedforward network的输入，输出是该词汇属于slots(Destination, Time of arrival) 的概率。但是这样是不够的，因为在slot filling的任务中，neural network是需要有记忆的，要记住在Taipei之前出现过的arrive或leave。这种有记忆的neural network叫做Recurrent Neural Network.

在RNN中，hidden layer的neuron产生的output会被存到memory中，对之后的input, hidden layer的neuron不只考虑input，还会考虑存在memory中的值。memory在没有任何input时需要初始值。
RNN会考虑input sequence的order，改变input sequence的order，output会随之改变。
举例如下：

如下图，图中并不是三个neural network, 而是同一个neural network在三个不同的时间点被使用了三次（同样的weight用同样的颜色表示）。

因为memory中的权重不同，所以同样的词的值不相同。如下图所示：

几种不同的RNN

RNN有不同的变形，如下图是Elman Network & Jordan Network的区别：

据说Jordan Network 有更好的performance，因为在Elman Network 中放到memory里的是没有target的，有点难控制它学到把什么样子的hidden的信息放到memory里面，而在Jordan Network中放到memory里的y是有target的，我们比较清楚放到target中的是什么东西。
RNN还可以是双向的。刚才看到的例子中，输入一个句子，RNN从句首读到句尾。其实读的顺序也可以是反过来的。同时训练正向RNN与逆向RNN，将二者的hidden layer都接给一个output layer。用双向RNN的好处是，它产生output时看的范围比较广，看了整个input sequence。

Long Short-term Memory （LSTM）

以上讲的RNN只是RNN的最简单的版本，SimpleRNN

其实现在常用的memory是 $Long$ $Short-term$ $Memory$

1. LSTM的基本结构

当外界想写入memory cell的时候，必须通过input gate，只有在input gate被打开的时候，memory gate才可以被写入，input gate 是打开还是关闭，是neural network自己学的。同理还有一个output gate, 它的开或关也是neural network 学到的。还有一个forget gate, 决定什么时候将memory cell中的内容忘掉，它的开或关也是neural network 学到的。
可以将LSTM看做special neuron(4 inputs, 1 output), 4 inputs指的是外界想要存到memory cell 里的值+控制三个门的信号。

顺便一提，Long Short-term Memory 里的Long 是形容Short-term Memory 的。在最开始看到的最简单的RNN模型中，memory是short-term的，每次有新的输入，memory都会被洗掉。而LSTM的short-term比较long: 只要控制forget gate的信号决定不forget，memory的值就会被存起来。

下面这张图更清晰的表现了LSTM的结构:
$z,{z_i},{z_f},{z_o}$ 都是scalar, 这4个input scalar 是由input vector与weight vector计算内积再加上bias而来，weight vector与bias是由training data用gradient descent学到的。
函数 $f$ 常选sigmoid，因为sigmoid输出的0-1之间的值可以表示gate打开的程度（1：打开，0：关闭）。

输入： $f(z_i)=1$ 时，允许输入； $f(z_i)=0$ 时，相当于无输入。
输出： $f(z_o)=1$ 时，允许输出； $f(z_i)=0$ 时，相当于无法输出。
memory擦除： $f(z_f)=1$ 时，相当于记得memory cell中之前的值 $c$ ； $f(z_f)=0$ 时，相当于洗掉 $c$ 。
memory cell中的值按下图中的公式进行更新。

2. LSTM的例子

3. LSTM组成的网络

把之前的网络中的neuron换成LSTM，就是用LSTM的网络的结构。参数量变成了之前的4倍。

假设现在一层有n个LSTM，n个memory cell的值(scalar)组成vector : $c^{t−1}$ , 在时间点t，input一个vector： $x^{t}$ ，这个vector首先乘上一个线性变换，变成另一个vector： $z$ ， $z$ 这个vector的每一个dimension就代表操控每一个LSTM的input，这个dimension的维度的大小就是memory的数目，
下图中的 $z,z^i,z^f,z^o$ 都是n维vector, 第i维控制第i个LSTM相应的gate。

以下是理想的简单的LSTM

而实际中要更复杂一点：把每个LSTM在时刻t的output ： $h^t$ 接到该LSTM在下一时刻的输入，同时所谓peephole的意思是把前一时刻memory cell中的值也拉到下一时刻的input中。即，操控LSTM 4个input $z,z^i,z^f,z^o$ 时同时考虑了 $x^{t+1},h^t,c^t$ .
如下图。红线即为peephole

一般一层不够，所谓Multiple-layer LSTM就是把前一层各LSTM输出的 $h^t$ 作为下一层对应LSTM的输入 $x^t$ .

Keras支持三种RNN，分别是LSTM, GRU（LSTM的简化，只有两个gate，减少了参数避免了过拟合，performance与LSTM差不多）, SimpleRNN（本节最开始的RNN结构）。

RNN 的 learning

1. RNN在Learning时如何定义loss function呢？

以slot filling 为例，对每个输入 $x^i$ , 其输出的 $y^i$ 与相应的reference vector计算cross entropy, cross entropy之和就是loss function. 训练时word sequence不能打散，要先用 $x^1$ 得到 $y^1$ , 再用 $x^2$ 得到 $y^2$ .

2. RNN的训练学习

定义好loss function之后，用gradient descent做training。gradient descent的算法从BP进阶为BPTT（Backpropagation through time）.
但是，很遗憾的，RNN的训练是比较困难的，其error surface要么很平缓要么很陡峭。这样在做gradient descent时，参数可能跳到悬崖上，造成loss暴增，或者跳到悬崖边上（gradient很大），造成参数飞出去(NAN)。解决办法是clipping: 当gradient＞某个阈值时，令gradient = 阈值。

3. 为何RNN会有rough的error surface？

并不是因为来自sigmoid的gradient vanish，因为换成ReLU也存在相同问题。（RNN中把sigmoid换成ReLU效果往往更差）
其实是因为RNN处理的是time sequence, 同样的weight在不同时刻被多次使用。

（gradient在w=1处很大，在w=0.99处很小）

4. 有什么技巧可以帮助我们解决这个问题呢？

使用最广泛的技巧是LSTM.

为什么要把一般的RNN换成LSTM？
因为LSTM可以处理gradient vanishing的问题：LSTM可以让error surface不那么崎岖，把平坦的部分拿掉，这样解决了gradient vanishing的问题，但没有解决gradient explosion的问题。

那么，为什么LSTM可以处理gradient vanishing的问题呢？
在一般的RNN中，每个时刻neuron的output都会被放到memory中去，所以在每个时刻memory中的值都会被洗掉。但在LSTM中，是把memory中原来的值乘上一个数再加上一个数input，放到cell里面去，即memory和input是相加的关系。所以LSTM中如果weight影响了memory中的值，那么这个影响会永远都存在（除非forget gate决定洗掉memory，有说法认为要给forget gate很大的bias以使其多数情况下开启），而不像SimpleRNN中memory的值在每个时刻都会被洗掉。

若使用LSTM出现了过拟合，可考虑改用GRU。GRU的精神是“旧的不去，新的不来”，它将input gate与forget gate联动起来：若input gate 开，则forget gate 关。

其它处理gradient descent的技巧还有clockwise RNN, SCRN……
如果random初始化一般RNN的weight，那么用ReLU的效果要比用sigmoid的效果差。但[Quoc V. Le, arXiv’15]提出，如果用单位矩阵初始化一般RNN的weight，那么用ReLU的效果要比用LSTM的效果好。