雷鋒網(wǎng)按：本文為雷鋒字幕組編譯的技術(shù)博客，原標(biāo)題 Step-by-step walkthrough of RNN Training - Part II，作者為 Eniola Alese。

翻譯 | 陳濤    整理 |  凡江

RNN 的反向傳播是為了計(jì)算出關(guān)于損失函數(shù)的梯度值

讀者可以在這里看到本文的 Part I（http://www.ozgbdpf.cn/news/201805/ZMeniGUPBZ50lyvk.html）。

單個(gè) RNN 單元的反向傳播

RNN 中反向傳播的目的是計(jì)算出最終的損失值 L 分別對權(quán)值矩陣（W_xh，W_ah，W_ao）和偏置向量（b_h，b_o）的偏導(dǎo)數(shù)值。

推導(dǎo)出所需的導(dǎo)數(shù)值非常簡單，我們只需要利用鏈?zhǔn)椒▌t就能計(jì)算出它們。

第一步：為了計(jì)算代價(jià)，需要先定義損失函數(shù)。一般根據(jù)具體手中的任務(wù)來選擇該損失函數(shù)。在這個(gè)例子里，對于多分類輸出問題，我們采用交叉熵?fù)p失函數(shù) L?t?，其具體計(jì)算過程如下：

第二步：接下來我們開始往后計(jì)算損失函數(shù) L?t? 對預(yù)測輸出值的激活值 ??t? 的偏導(dǎo)數(shù)值。因?yàn)樵谇跋騻鞑ミ^程中 softmax 函數(shù)以多分類的輸出值作為輸入，因此下面的偏導(dǎo)數(shù)值的計(jì)算分為兩種情況：分類 i 時(shí)和分類 k 時(shí)：

第三步：接著利用分類 i 時(shí)和分類 k 時(shí)的偏導(dǎo)數(shù)值，可以計(jì)算出損失函數(shù) L?t? 對預(yù)測輸出值 o?t? 的偏導(dǎo)數(shù)值：

第四步：利用偏導(dǎo)數(shù)值及鏈?zhǔn)椒▌t，計(jì)算出損失函數(shù) L?t? 對輸出過程中的偏置向量 b_o 的偏導(dǎo)數(shù)值：

第五步：利用偏導(dǎo)數(shù)值及鏈?zhǔn)椒▌t，計(jì)算出損失函數(shù) L?t? 對隱層至輸出層中的權(quán)值矩陣 W_ao 的偏導(dǎo)數(shù)值：

第六步： 利用偏導(dǎo)數(shù)值、及鏈?zhǔn)椒▌t，計(jì)算出損失函數(shù) L?t? 對隱狀態(tài)的激活值 a?t? 的偏導(dǎo)數(shù)值：

第七步： 利用偏導(dǎo)數(shù)值及鏈?zhǔn)椒▌t，計(jì)算出損失函數(shù) L?t? 對隱狀態(tài) h?t? 的偏導(dǎo)數(shù)值：

第八步： 利用偏導(dǎo)數(shù)值及鏈?zhǔn)椒▌t，計(jì)算出損失函數(shù) L?t? 對隱狀態(tài)的偏置向量 b_h 的偏導(dǎo)數(shù)值：

第九步：利用偏導(dǎo)數(shù)值及鏈?zhǔn)椒▌t，計(jì)算出損失函數(shù) L?t? 對輸入層至隱層中的偏置矩陣 W_xh 的偏導(dǎo)數(shù)值：

第十步：利用偏導(dǎo)數(shù)值及鏈?zhǔn)椒▌t，計(jì)算出損失函數(shù) L?t? 對輸入層至隱層中的偏置矩陣 W_ah 的偏導(dǎo)數(shù)值：

隨時(shí)間反向傳播（BPTT）

就像前文中提到的前向傳播過程一樣，將循環(huán)網(wǎng)絡(luò)展開，BPTT 將沿此一直運(yùn)行著上述步驟。

主要的區(qū)別在于我們必須將每個(gè)時(shí)間步 t 的偏導(dǎo)數(shù)值累加起來，從而更新權(quán)值和偏置，這是因?yàn)檫@些參數(shù)在前向傳播的過程中是被各個(gè)時(shí)間步所共享的。

總結(jié)

在本文的第一部分和第二部分中，我們了解了循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中所涉及到的前向傳播和反向傳播。接下來，我們將著眼于 RNN 中所存在的梯度消失問題，并討論 LSTM 和 GRU 網(wǎng)絡(luò)的進(jìn)展。

博客原址：https://medium.com/learn-love-ai/step-by-step-walkthrough-of-rnn-training-part-ii-7141084d274b

雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。