RNN存在的问题
因为RNN模型的BPTT反向传导的链式求导,导致需要反复乘以一个也就是说会出现指数级别的问题:
- 梯度爆炸:如果的话,那么连乘的结果可能会快速增长,导致梯度爆炸
- 梯度消失:如果的话,连乘的结果会迅速衰减到零,导致梯度消失
存在以上问题导致RNN无法获得上下文的长期依赖信息
改进网络——GRU
GRU,即门控循环单元(Gated Recurrent Unit)
1、GRU的基本结构
GRU通过两种门组件和两种记忆状态解决了梯度消失
(1)两种门组件
① 重置门
重置门(reset gate),记为
这个门决定了上一时间步的记忆状态如何影响当前时间步的候选记忆内容。
计算时会结合前一时间步的隐藏状态 和当前输入 ,输出是一个 0 到 1 之间的值。值越接近 1 表示越多地保留之前的状态,越接近 0 表示遗忘更多旧状态。对应的数学表达如下:
② 更新门
更新门(update gate),记为
这个门决定了上一时间步的记忆状态有多少需要传递到当前时间步,以及当前的输入信息有多少需要加入到新的记忆状态中
同样,它也是基于 和 计算得到的。对应的数学表达如下:
(2)两种记忆状态
① 候选记忆状态
候选记忆状态(candidate memory),记为
这是基于当前输入 、上一时间步隐藏状态 以及重置门的输出,三者计算得到的
其中的重置门决定了如何“重置”旧的记忆状态,以便更好地整合新信息。对应的数学表达如下:
② 最终记忆状态
最终记忆状态(hidden state)记为
通过结合更新门的输出和候选记忆状态以及上一时间步的记忆状态来计算得出的。其中更新门决定了新旧记忆的混合比例。对应的数学表达如下:
一下表格汇总了上述公式用到的符号表示:
符号 | 解释 |
更新门 | |
重置门 | |
当前时刻的隐藏状态 | |
候选隐藏状态 | |
前一时刻的隐藏状态 | |
当前时刻的输入 | |
对应的训练参数 | |
sigmoid激活函数 | |
Hadamard积(按元素乘积)运算符 |
(3)网络结构
了解了公式推导,还是不能直观的清楚GRU到底长什么样子,下面我们逐层递加的研究一下GRU的网络结构
① 更新门和重置门的结构
上图描述了门控循环单元中的重置门和更新门的输入
输入是由 当前时间步的输入 和 前一时间步的隐状态 给出
两个门的输出是由 使用sigmoid激活函数的两个全连接层给出
② 候选隐藏状态的结构
在重置门和更新门的基础上加入了候选隐状态
重置门结果通过作用在前一时间步的隐状态上来影响候选隐状态
③ GRU的循环块结构
更新门结果作用在隐状态和候选隐状态上
更新门结果作为一个比例来调节 隐状态 和 候选隐状态
2、门控循环单元特征
-
重置门有助于捕获序列中的短期依赖关系;
-
更新门有助于捕获序列中的长期依赖关系。
3、GRU为什么可以缓解RNN梯度问题
在传统的RNN中,由于长时间依赖问题,反向传播过程中梯度可能会因连续乘以小于1的数而变得非常小,导致早期时间步的权重几乎不更新,这就是梯度消失问题。
而GRU通过其独特的门控机制,特别是更新门和重置门的设计,能够更加灵活地控制信息流:
更新门:有助于模型决定在每一步中应该保留多少之前时刻的信息。它可以让模型在需要的时候保持激活状态,这样有助于后续的梯度传递而不会随时间迅速减小。如果更新门接近1,那么梯度可以在很多时间步内传递而不衰减,使得长期依赖的信息得到保留。
重置门:帮助模型决定忽略多少之前的信息。重置门可以用来减少那些不太相关信息的影响,从而保护模型不会把注意力放在不相关的长期依赖上。当选择忽略一些不相关的信息时,梯度将不会在这部分信息上进行传递,这有助于集中于更相关的信息,并有助于梯度完整地在其他相关部分传递。
因为有了这样的机制,GRU能够在每次更新中将梯度既不是完全传递也不是完全阻断,而是能够在相关的部分进行传递。这样在优化过程中,即使对于较长的序列,也能够更加稳定地保留梯度,防止了梯度极端消失,这对于学习长期依赖至关重要。因此,GRU往往在处理长序列数据时比传统RNN更加有效。
改进网络——LSTM
长短期记忆网络(LSTM)是一种解决隐变量模型长期信息保存和短期输入缺失问题的方法
有趣的是,长短期记忆网络的设计比门控循环单元稍微复杂一些, 却比门控循环单元早诞生了近20年。
在统计学中,隐变量或称潜变量,潜在变量,与观测变量相对,指的是不可观测的随机变量。
潜变量可以通过使用数学模型依据观测得的数据被推断出来。用潜在变量解释观测变量的数学模型称为潜变量模型。 有些情况下,潜变量和现实中的一些因素是有关系的。测量这些因素理论上可行,实际上却很困难。这些情况里通常使用“隐变量(hidden variables)”这个词。
另外一些情况下,潜变量指的是抽象概念,例如分类、行为、心理状态、数据结构等等。在这些情况下人们用 hypothetical variables 或者 hypothetical constructs 指代潜变量。
使用潜变量的好处之一是潜变量能用来降低数据的维度。大量的观测变量能够被整合起来成为一个潜变量来表示深层次的概念,使得观测数据更容易理解。
1、LSTM的基本结构
(1)输入门
输入门(Input Gate)记为 ,是决定当前输入中哪些部分应当被更新到细胞状态。它使用一个sigmoid函数来产生一个0到1之间的值,表示新信息的多少应该被“记忆”。 数学表达式为:
其中 和 分别是输入门和候选细胞状态的权重矩阵, 和 是对应的偏置项。 是当前时间步的输入。 是候选细胞状态。
(2)遗忘门
遗忘门(Forget Gate)记为 ,是确定细胞状态中哪些信息应当被遗忘。同样使用sigmoid函数,决定过往记忆的重要性,值接近1表示大部分保留,接近0表示大部分遗忘。 数学表达式为:
其中 是sigmoid激活函数, 是遗忘门的权重矩阵, 是遗忘门的偏置项, 是上一个时间步的隐藏状态, 是当前时间步的输入。
(3)细胞状态
细胞状态(Cell State)记为 ,是LSTM的核心,一个能够存储长期信息的向量。
它通过点积运算结合遗忘门和前一时间步的细胞状态,以及输入门和一个新的候选记忆状态来更新。
候选记忆状态是由当前输入和一个输入的权重矩阵通过tanh激活函数得到的。 数学表达式为:
候选细胞状态,记为 ,是在每个时间步中,当前输入和前一隐藏状态的信息经过处理生成了一个候选细胞状态,该候选细胞状态包含可能加入长期状态的信息。
隐藏状态,记为 ,包含了当前时间步的输出信息,它是基于细胞状态的过滤输出,输出门控制着细胞状态中的哪些信息会传输到隐藏状态,然后用于输出或传递到下一个时间步。
(4)输出门
输出门(Output Gate)记为 ,是控制细胞状态中哪些信息应当被用于生成当前时间步的输出。它结合了sigmoid函数(决定哪些细胞状态的内容应该输出)和tanh函数(对选定的记忆进行缩放,确保输出在-1到1之间)。 数学表达式为:
其中 是输出门的权重矩阵, 是输出门的偏置项。 是上一个时间步的隐藏状态, 是当前时间步的输入。