【深度学习】序列模型

深度学习（Deep Learning）是机器学习的一个分支领域：它是从数据中学习表示的一种新方法，强调从连续的层中进行学习，这些层对应于越来越有意义的表示。

1. 为什么选择序列模型？

循环神经网络（RNN）之类的模型在语音识别、自然语言处理和其他领域中引起变革。我们先来了解一些例子，理解它们是如何有效适用序列模型的。

语音识别：给定一个输入音频片段 x，并要求输出对饮的文字记录 y。这个例子里输入和输出数据都是序列模型，因为 x 是一个按时播放的音频片段，而输出 y 是一系列单词。
音乐生成问题：只有输出数据 y 是序列，而输入数据可以是空集，也可以是个单一的整数，这个数可能指代你想要生成的音乐风格，也可能是你想要生成的那首曲子的头几个音符。输入的 x 可以是空的，或者就是个数字，然后输出序列 y。
处理情感分类：输入数据 x 是序列，你会得到类似这样的输入：“There is nothing to like in this movie.”，你认为这句评论对应几颗星？
DNA序列分析：你的 DNA 可以用 A、C、G、T 四个字母来表示，所以给定一段 DNA 序列，你能够标记出哪部分是匹配某种蛋白质的吗？
机器翻译：在机器翻译过程中，你会得到这样的输入句：“Voulez-vou chante avecmoi?”（法语：要和我一起唱吗？），然后要求你输出另一种语言的翻译结果。
视频行为识别：可能会得到一系列视频帧，然后识别其中的行为。
命名实体识别：可能会给定一个句子来识别出句中的人名。

这些问题都可以被称作使用标签数据（x，y）作为训练集的监督学习。从这一系列的例子中，可以看出序列问题有很多不同类型，有一些，输入数据 x 和输出数据 y 都是序列，也可能，x 和 y 会不一样长。或者 x 和 y 有相同的数据长度。在另一些问题里，只有 x 或者只有 y 是序列。

以上就是适用于不同情况的序列模型，下一节中我们会定义一些定义序列问题要用到的符号。

2. 数学符号

我们从定义符号开始一步步构建序列模型。

例如，要建立一个序列模型，它的输入语句是：“Harry Potter and Herminoe Granger invented a new spell.”。假如要建立一个能够自动识别句中人名位置的序列模型，那么这就是以恶搞命名实体识别问题。命名实体识别系统可以用来查找不同类型的文本中的人名、公司名、时间、地点、国家名和货币名等等。

加入你想要一个序列模型输出 $y$ ，使得输入的每个单词都对应一个输出值，同时表明输入的单词是否是人名的一部分。

这个输入数据是 9 个单词组成的序列，所以最终我们会有 9 个特征集合来表示这 9 个单词，并按序列中的位置进行索引， $x^{<1>}$ 、 $x^{<2>}$ 、 $x^{<3>}$ . . . $x^{<9>}$ 来索引不同的位置， $x^{<t>}$ 用来索引这个序列的中间位置。

输出数据也是如此，用 $y^{<1>}$ 、 $y^{<2>}$ 、 $y^{<3>}$ . . . $y^{<9>}$ 来表示输出数据。同时我们用 $T_{x}$ 来表示输入序列的长度，这个例子中输入是 9 个单词，所以 $T_{x}=9$ 。我们用 $T_{y}$ 来表示输出序列的长度。特别的，在这个例子里 $T_{x}=T_{y}$ 。