本部分是本系列RNN教程的最后一部分。錯過前三部分的可點(diǎn)擊以下文字鏈接進(jìn)行回顧：

基于時間的反向傳播算法和梯度消失問題

今天，我們將詳細(xì)介紹LSTM（長短時記憶）神經(jīng)網(wǎng)絡(luò)和GRU（門控循環(huán)單元）。LSTM于1997年由Sepp Hochreiter 和Jürgen Schmidhuber首次提出，是當(dāng)前應(yīng)用最廣的NLP深度學(xué)習(xí)模型之一。GRU于2014年首次被提出，是LSTM的簡單變體，兩者有諸多共性。

先來看看LSTM，隨后再探究LSTM與GRU的差異。

LSTM網(wǎng)絡(luò)

我們在第三部分的教程中提到過梯度消失問題是如何阻礙標(biāo)準(zhǔn)RNN學(xué)習(xí)長期依賴的。而LSTM就是通過引入一個叫做“門”（gating）的機(jī)制來緩解梯度消失問題。為了更好的理解這一問題，不妨先看看LSTM是如何計算隱藏層s_t的：

LSTM計算式子

這些式子看似復(fù)雜，實(shí)則不難。首先，我們要注意LSTM層僅僅是計算隱藏層的另一種方式。

在傳統(tǒng)的RNN中，我們用s_t = tanh(Ux_t + Ws_{t-1})這個式子來計算隱藏層。其中，隱藏層的輸入單元有兩個，一個是當(dāng)前時刻t的輸入x_t以及前一時刻的隱藏狀態(tài)s_{t-1}。LSTM單元的功能與之相同，只是方式不同而已。這是理解LSTM的關(guān)鍵。你基本上可將LSTB（和GRU）單元視為黑匣子，只要你給定當(dāng)前輸入和前一時刻的隱藏狀態(tài)，便可計算出下一隱藏狀態(tài)。如下圖：

簡化LSTM和GRU模型

了解這一點(diǎn)后，就可以來看看LSTM單元中隱藏層的計算方法了。Chris Olah的一篇博文詳細(xì)介紹過這一點(diǎn)（http://colah.github.io/posts/2015-08-Understanding-LSTMs/），此處不作贅述，僅簡單介紹。

總結(jié)如下：

• i, f, o分別為input（輸入）門，forget（遺忘）門和output（輸出）門。需要注意的是，它們的方程式完全相同，只是參數(shù)矩陣不同。而之所以被稱作“門”，是由于sigmoid函數(shù)將這些向量值的區(qū)間縮減為0到1，然后將其與另一向量對應(yīng)相乘，便可界定讓多少其它的向量能“通過”這個門。輸入門決定的是讓多少新計算出的隱藏狀態(tài)通過當(dāng)前輸入。遺忘門則決定讓多少之前的隱藏狀態(tài)通過。最后的輸出門則決定了讓多少信息傳遞到更高一層的神經(jīng)網(wǎng)絡(luò)或者下一時刻。這三個“門”都有相同的的維度ds，即隱藏層的大小。
• g是基于當(dāng)前輸入和先前隱藏狀態(tài)計算出的“候選”隱藏狀態(tài)。它與傳統(tǒng)RNN中的方程式完全相同，此處僅將參數(shù)U和W重命名為U^g和W^g。在傳統(tǒng)RNN中，我們指定g的值為新隱藏狀態(tài)，并輸出給下一個狀態(tài)，而在LSTM中，我們將通過輸入門來挑選g的一部分值，再輸出給下一個狀態(tài)。
• c_t是內(nèi)部的記憶單元。它等于前一時刻的記憶c_{t-1}乘以遺忘門的結(jié)果，再加上隱藏候選狀態(tài)g和輸入門的相乘結(jié)果。直觀上，它是一個可以由我們決定的先前記憶和新輸入數(shù)值的組合。因此，我們可選擇完全忽略上一個記憶單元的內(nèi)容(即把遺忘門全部設(shè)為0)，或完全忽略新輸入的狀態(tài)（即輸入門全部設(shè)為0）。但現(xiàn)實(shí)情況是，我們需要在這兩個極端之間尋求某種平衡。
• 給定記憶單元c_t，與輸出門相乘，最終可計算出隱藏層s_t。當(dāng)然，并不是所有的內(nèi)部記憶單元都與其他隱藏狀態(tài)相關(guān)。

LSTM的內(nèi)部細(xì)節(jié)

圖片來源：“Empirical evaluation of gated recurrent neural networks on sequence modeling.” Chung, Junyoung等著。

。即當(dāng)我們把所有輸入門固定為1，所有忘記門固定為0（即永遠(yuǎn)忽略前一時刻的記憶單元），所有輸出門固定為1（即呈現(xiàn)所有記憶），就近乎得到了標(biāo)準(zhǔn)的RNN，只不過多出一個附加的tanh，縮小了輸出范圍。正是這個“門機(jī)制”讓LSTM可以明確建立長期記憶以來的模型，通過學(xué)習(xí)這些“門”的參數(shù)，神經(jīng)網(wǎng)絡(luò)能夠更好地學(xué)習(xí)如何利用這些記憶。

GRU網(wǎng)絡(luò)

GRU網(wǎng)絡(luò)的原理與LSTM非常相似，方程式也幾乎相同，如下：

GRU計算式子

GRU有兩個門：重置（reset）門r和更新（update）門z。直觀來講，重置門決定了新的輸入與前一時刻記憶的組合方式，更新門則決定了先前記憶信息的保留程度。如果將所有重置門設(shè)為1，所有更新門設(shè)為0，即可再次得到傳統(tǒng)的RNN模型。

我們發(fā)現(xiàn)，GRU中用門機(jī)制來實(shí)現(xiàn)學(xué)習(xí)長期記憶的基本原理與LSTM相同，但也有一些區(qū)別：

• GRU有兩個門，而LSTM有三個門。
• GRU中不存在區(qū)別于內(nèi)部記憶單元(c_t)，也沒有LSTM中的輸出門。
• LSTM的輸入門和遺忘門，在GRU中被整合成一個更新門z；而重置門r被直接用到前一個隱藏狀態(tài)上面了。因此，LSTM中重置門的功能實(shí)際上由GRU中的重置門r和更新門z代替。
• 計算輸出時，不再借助非線性函數(shù)。

GRU內(nèi)部細(xì)節(jié)

圖片來源：“Empirical evaluation of gated recurrent neural networks on sequence modeling.” Chung, Junyoung等人于2014年著。

GRU vs LSTM

現(xiàn)在，我們已經(jīng)了解了解決RNN梯度消失問題的兩種模型，但可能還不清楚應(yīng)該使用哪一種模型。

具體來看，GRU仍處于初級階段（于2014年提出），關(guān)于它的一些利弊現(xiàn)在還沒有探索清楚。

但事實(shí)上，這兩種模型在許多任務(wù)中都不相上下，因此，與挑選出一個理想的架構(gòu)相比，調(diào)整層數(shù)這些超參數(shù)等更重要。

實(shí)現(xiàn)RNN

現(xiàn)在我們借助GRU來實(shí)現(xiàn)第二部分中的語言模型（LSTM也差不多，只是式子不同而已）。

我們基于之前Theano版本的代碼來修改。別忘了GRU (LSTM)層只是計算隱藏狀態(tài)的另一種方式，因此我們需要在前向轉(zhuǎn)播的代碼里，把隱藏層的計算步驟修改一下。

Tip：點(diǎn)擊圖片可看大圖

我們也在實(shí)現(xiàn)中增加了偏置單元 b, c，這在之前的式子中沒有體現(xiàn)。由于參數(shù)U和W的維度有所改變，還需修改參數(shù)U和W的初始值。Gitub上已有該初始化編碼（https://github.com/dennybritz/rnn-tutorial-gru-lstm），在此就不一一展示。

在這里，我還添加了一個詞嵌入層（word embedding）E，后文會有詳細(xì)介紹。

接下來說說梯度。像之前一樣，我們可以用鏈?zhǔn)角髮?dǎo)法則推導(dǎo)E、W、U、b和c的梯度。但在實(shí)際操作中，多數(shù)人偏愛用像Theano這樣的框架來實(shí)現(xiàn)。如果你還想要自己計算梯度，就需要實(shí)現(xiàn)不同模塊的求導(dǎo)算法。

這里，我們利用Theano來計算梯度：

1.用RMSProp（SGD的一種優(yōu)化算法）更新參數(shù)

在第二部分教程中，我們用隨機(jī)梯度下降(SGD)的基礎(chǔ)版更新了參數(shù)。結(jié)果不盡人意。但如果將學(xué)習(xí)率設(shè)置得足夠低，SGD確實(shí)能讓你得到非常好的訓(xùn)練效果，只是實(shí)際操作時會耗費(fèi)大量時間。

為了解決這個問題，SGD還有有許多變體，如(Nesterov) Momentum Method、AdaGrad、AdaDelta 和RMSProp等等。這篇文章中有詳述的總結(jié)（http://cs231n.github.io/neural-networks-3/#update）。

這里，我們將使用RMSProp這個方法，其基本原理是根據(jù)先前的梯度之和來調(diào)整每個參數(shù)的學(xué)習(xí)率。直觀上，出現(xiàn)頻率越高的參數(shù)學(xué)習(xí)率越?。ㄒ驗樘荻瓤偤透螅?，反之亦然。

RMSProp的實(shí)現(xiàn)非常簡單。我們保留每個參數(shù)的緩存變量，并在梯度下降時更新以下參數(shù)以及緩存變量，如下（以W為例）：

衰減通常設(shè)為0.9到0.95之間，另外，添加1e-6是為了避免除數(shù)為0。

2.添加嵌入（embedding）層

諸如word2vec和GloVe這樣的詞嵌入（ word embedding）是提升模型準(zhǔn)確度的常用方法。和用one-hot表示句子不同，這種詞嵌入的方法用低維（通常是幾百維）的向量來表示詞語，這有個好處，那就是能通過向量來判斷兩個詞的語義是否相近，因為如果他們意思相近的話，他們的向量就很相近。要使用這些向量，需要預(yù)訓(xùn)練語料庫。從直覺上來看，使用word embedding層，就相當(dāng)于你告訴神經(jīng)網(wǎng)絡(luò)詞語的意思，從而神經(jīng)網(wǎng)絡(luò)就不需要學(xué)習(xí)關(guān)于這些詞語的知識了。

我的實(shí)驗中并未使用預(yù)訓(xùn)練的單詞向量，只添加了一個嵌入層（即編碼中的矩陣E），便于插入單詞。嵌入式矩陣與查表類似，第i欄的向量對應(yīng)單詞表中第i個詞。通過更新矩陣E可自學(xué)單詞向量，但僅針對我們的任務(wù)（以及數(shù)據(jù)集），不同于那些由大量文檔訓(xùn)練而成的可下載的數(shù)據(jù)。

添加第二個GRU層

添加第二層能使網(wǎng)絡(luò)捕捉到更高層次的交互，還可以添加其他層，但本實(shí)驗中我沒這么做。2到3層之后，可能會出現(xiàn)遞減倒退（計算值逐漸減小），除非數(shù)據(jù)足夠龐大（但我們沒有），否則層數(shù)的增加不僅不會產(chǎn)生明顯變化，還將導(dǎo)致過擬合。

增加一層GRU或者LSTM

第二層的添加過程非常簡單，只需（再次）修正前向傳播的計算過程和初始化函數(shù)即可：

Tip：點(diǎn)擊圖片可看大圖

此處附上GRU網(wǎng)絡(luò)的完整代碼：https://github.com/dennybritz/rnn-tutorial-gru-lstm/blob/master/gru_theano.py

4.性能注釋

之前我對此也有疑惑，因此提前聲明，在此提供的編碼效率較低，其優(yōu)化版僅用于解說和教學(xué)目的。盡管它能夠配合模型運(yùn)作，但無法勝任生產(chǎn)或大型數(shù)據(jù)集訓(xùn)練。

優(yōu)化RNN性能的方法有很多，但最重要的是批量處理所有更新。由于GPU能夠高效處理大型矩陣乘法，因此你可以對相同長度的句子進(jìn)行分組或?qū)⑺芯渥诱{(diào)整成相同長度（而非逐句學(xué)習(xí)），進(jìn)行大型矩陣乘法運(yùn)算并對整批數(shù)據(jù)梯度求和。不這么做的話，我們只能依靠GPU得到小幅提速，訓(xùn)練過程將會極其緩慢。

所以如果想訓(xùn)練大型模型，我首推那些經(jīng)過性能優(yōu)化的已有深度學(xué)習(xí)框架。訓(xùn)練一個模型，利用上述編碼可能花費(fèi)數(shù)日或數(shù)周，但借助這些框架只需要幾個小時。我個人偏愛Keras，因其操作簡單且附有許多RNN的示例。

5.結(jié)果

為節(jié)省訓(xùn)練模型的時間，我訓(xùn)練了一個與第二部分中類似的模型。該模型詞匯規(guī)模為8000，我將詞映射到48維向量并使用了兩個128維GRU層。iPython notebook內(nèi)含載入該模型的代碼，可以操作或修改代碼、生成文本。

以下為該網(wǎng)絡(luò)輸出的成功示例（我修改了大小寫）。

• I am a bot, and this action was performed automatically .
• I enforce myself ridiculously well enough to just youtube.
• I’ve got a good rhythm going !
• There is no problem here, but at least still wave !
• It depends on how plausible my judgement is .
• 
  

多個時間步長后，觀察句子的語義依賴性非常有趣。舉個例子，機(jī)器人和自動化聯(lián)系緊密，就像括號的兩端。我們的網(wǎng)絡(luò)能夠?qū)W會這些，確實(shí)非常有用。

至此，本系列關(guān)于RNN的教程就結(jié)束，如果您對其它教程感興趣，歡迎在評論區(qū)留言?？萍夹姓邔⒉贿z余力為您呈上！