0
雷鋒網(wǎng) AI科技評論按：本文作者何之源，原文載于知乎專欄AI Insight，AI科技評論獲其授權(quán)發(fā)布。
本文主要是利用圖片的形式，詳細地介紹了經(jīng)典的RNN、RNN幾個重要變體，以及Seq2Seq模型、Attention機制。希望這篇文章能夠提供一個全新的視角，幫助初學(xué)者更好地入門。
在學(xué)習(xí)RNN之前，首先要了解一下最基本的單層網(wǎng)絡(luò)，它的結(jié)構(gòu)如圖：
輸入是x，經(jīng)過變換Wx+b和激活函數(shù)f得到輸出y。相信大家對這個已經(jīng)非常熟悉了。
在實際應(yīng)用中，我們還會遇到很多序列形的數(shù)據(jù)：
如：
自然語言處理問題。x1可以看做是第一個單詞，x2可以看做是第二個單詞，依次類推。
語音處理。此時，x1、x2、x3……是每幀的聲音信號。
時間序列問題。例如每天的股票價格等等
序列形的數(shù)據(jù)就不太好用原始的神經(jīng)網(wǎng)絡(luò)處理了。為了建模序列問題，RNN引入了隱狀態(tài)h（hidden state）的概念，h可以對序列形的數(shù)據(jù)提取特征，接著再轉(zhuǎn)換為輸出。先從h1的計算開始看：
圖示中記號的含義是：
圓圈或方塊表示的是向量。
一個箭頭就表示對該向量做一次變換。如上圖中h0和x1分別有一個箭頭連接，就表示對h0和x1各做了一次變換。
在很多論文中也會出現(xiàn)類似的記號，初學(xué)的時候很容易搞亂，但只要把握住以上兩點，就可以比較輕松地理解圖示背后的含義。
h2的計算和h1類似。要注意的是，在計算時，每一步使用的參數(shù)U、W、b都是一樣的，也就是說每個步驟的參數(shù)都是共享的，這是RNN的重要特點，一定要牢記。
依次計算剩下來的（使用相同的參數(shù)U、W、b）：
我們這里為了方便起見，只畫出序列長度為4的情況，實際上，這個計算過程可以無限地持續(xù)下去。
我們目前的RNN還沒有輸出，得到輸出值的方法就是直接通過h進行計算：
正如之前所說，一個箭頭就表示對對應(yīng)的向量做一次類似于f(Wx+b)的變換，這里的這個箭頭就表示對h1進行一次變換，得到輸出y1。
剩下的輸出類似進行（使用和y1同樣的參數(shù)V和c）：
OK！大功告成！這就是最經(jīng)典的RNN結(jié)構(gòu)，我們像搭積木一樣把它搭好了。它的輸入是x1, x2, .....xn，輸出為y1, y2, ...yn，也就是說，輸入和輸出序列必須要是等長的。
由于這個限制的存在，經(jīng)典RNN的適用范圍比較小，但也有一些問題適合用經(jīng)典的RNN結(jié)構(gòu)建模，如：
計算視頻中每一幀的分類標簽。因為要對每一幀進行計算，因此輸入和輸出序列等長。
輸入為字符，輸出為下一個字符的概率。這就是著名的Char RNN（詳細介紹請參考：The Unreasonable Effectiveness of Recurrent Neural Networks，地址：http://karpathy.github.io/2015/05/21/rnn-effectiveness/。Char RNN可以用來生成文章，詩歌，甚至是代碼，非常有意思）。
有的時候，我們要處理的問題輸入是一個序列，輸出是一個單獨的值而不是序列，應(yīng)該怎樣建模呢？實際上，我們只在最后一個h上進行輸出變換就可以了：
這種結(jié)構(gòu)通常用來處理序列分類問題。如輸入一段文字判別它所屬的類別，輸入一個句子判斷其情感傾向，輸入一段視頻并判斷它的類別等等。
輸入不是序列而輸出為序列的情況怎么處理？我們可以只在序列開始進行輸入計算：
還有一種結(jié)構(gòu)是把輸入信息X作為每個階段的輸入：
下圖省略了一些X的圓圈，是一個等價表示：
這種1 VS N的結(jié)構(gòu)可以處理的問題有：
從圖像生成文字（image caption），此時輸入的X就是圖像的特征，而輸出的y序列就是一段句子
從類別生成語音或音樂等
下面我們來介紹RNN最重要的一個變種：N vs M。這種結(jié)構(gòu)又叫Encoder-Decoder模型，也可以稱之為Seq2Seq模型。
原始的N vs N RNN要求序列等長，然而我們遇到的大部分問題序列都是不等長的，如機器翻譯中，源語言和目標語言的句子往往并沒有相同的長度。
為此，Encoder-Decoder結(jié)構(gòu)先將輸入數(shù)據(jù)編碼成一個上下文向量c：
得到c有多種方式，最簡單的方法就是把Encoder的最后一個隱狀態(tài)賦值給c，還可以對最后的隱狀態(tài)做一個變換得到c，也可以對所有的隱狀態(tài)做變換。
拿到c之后，就用另一個RNN網(wǎng)絡(luò)對其進行解碼，這部分RNN網(wǎng)絡(luò)被稱為Decoder。具體做法就是將c當(dāng)做之前的初始狀態(tài)h0輸入到Decoder中：
還有一種做法是將c當(dāng)做每一步的輸入：
由于這種Encoder-Decoder結(jié)構(gòu)不限制輸入和輸出的序列長度，因此應(yīng)用的范圍非常廣泛，比如：
機器翻譯。Encoder-Decoder的最經(jīng)典應(yīng)用，事實上這一結(jié)構(gòu)就是在機器翻譯領(lǐng)域最先提出的
文本摘要。輸入是一段文本序列，輸出是這段文本序列的摘要序列。
閱讀理解。將輸入的文章和問題分別編碼，再對其進行解碼得到問題的答案。
語音識別。輸入是語音信號序列，輸出是文字序列。
…………
在Encoder-Decoder結(jié)構(gòu)中，Encoder把所有的輸入序列都編碼成一個統(tǒng)一的語義特征c再解碼，因此， c中必須包含原始序列中的所有信息，它的長度就成了限制模型性能的瓶頸。如機器翻譯問題，當(dāng)要翻譯的句子較長時，一個c可能存不下那么多信息，就會造成翻譯精度的下降。
Attention機制通過在每個時間輸入不同的c來解決這個問題，下圖是帶有Attention機制的Decoder：
每一個c會自動去選取與當(dāng)前所要輸出的y最合適的上下文信息。具體來說，我們用 衡量Encoder中第j階段的hj和解碼時第i階段的相關(guān)性，最終Decoder中第i階段的輸入的上下文信息
就來自于所有
對
的加權(quán)和。
以機器翻譯為例（將中文翻譯成英文）：
輸入的序列是“我愛中國”，因此，Encoder中的h1、h2、h3、h4就可以分別看做是“我”、“愛”、“中”、“國”所代表的信息。在翻譯成英語時，第一個上下文c1應(yīng)該和“我”這個字最相關(guān)，因此對應(yīng)的 就比較大，而相應(yīng)的
、
、
就比較小。c2應(yīng)該和“愛”最相關(guān)，因此對應(yīng)的
就比較大。最后的c3和h3、h4最相關(guān)，因此
、
的值就比較大。
至此，關(guān)于Attention模型，我們就只剩最后一個問題了，那就是：這些權(quán)重 aij 是怎么來的？
事實上， aij同樣是從模型中學(xué)出的，它實際和Decoder的第i-1階段的隱狀態(tài)、Encoder第j個階段的隱狀態(tài)有關(guān)。
同樣還是拿上面的機器翻譯舉例， a1j 的計算（此時箭頭就表示對h'和 同時做變換）：
a2j 的計算：
a3j的計算：
以上就是帶有Attention的Encoder-Decoder模型計算的全過程。
本文主要講了N vs N，N vs 1、1 vs N、N vs M四種經(jīng)典的RNN模型，以及如何使用Attention結(jié)構(gòu)。希望能對大家有所幫助。
可能有小伙伴發(fā)現(xiàn)沒有LSTM的內(nèi)容，其實是因為LSTM從外部看和RNN完全一樣，因此上面的所有結(jié)構(gòu)對LSTM都是通用的，想了解LSTM內(nèi)部結(jié)構(gòu)的可以參考這篇文章：Understanding LSTM Networks（地址：http://colah.github.io/posts/2015-08-Understanding-LSTMs/），寫得非常好，推薦閱讀。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
