循环神经网络
1. 场景与多种应用
- 模仿论文（生成序列）
- 模型Linux内核代码“写程序” （生成序列）
- 模仿小四的作品（生成文本序列）
- 机器翻译
- Image to text/ 看图说话
我们知道神经网络结构如下：
那循环神经网络和它是什么关系呢？
循环神经网络
为什么有BP神经网络，CNN，还要RNN？
- 传统神经网络（包括RNN），输入和输出都是互相独立的；
- 图像上的猫和狗是分隔开的，但有些任务，后序的输出和之前的内容是相关的；
- “我是中国人，我的母语是__”
- RNN引入“记忆”的概念
- 循环2字来源于其每个元素都执行相同的任务；
- 但是输出依赖于输入和“记忆”
2. 层级结构
简单来看，把序列按时间展开
- Xt是时间t处的输入；
- St是时间t处的“记忆”，St=f(UXt+WSt-1)，f可以是tanh等；
- Ot是时间t处的输出，比如是预测下个词的话，可能是softmax输出的属于每个候选词的概率，Ot=softmax(VSt)
结构细节：
- 可以把隐状态St视作“记忆体”，捕获了之前时间点上的信息；
- 输出Ot由当前时间及之前所有的“记忆”共同计算得到；
- 很可惜，实际应用中，St并不能捕获和保留之前所有信息（记忆有限？）
- 不同于CNN，这里的RNN其实整个神经网络都共享一组参数（U, V, W），极大减小了需要训练和预估的参数量；
- 图中的Ot在有些任务下是不存在的，比如文本情感分析，其实只需要最后的output结果就行；
3. 多种RNN
双向RNN
有些情况下，当前的输出不只依赖于之前的序列元素，还可能依赖之后的序列元素；
比如从一段话踢掉部分词，让你补全；
直观理解：双向RNN叠加；
深层双向RNN
和双向RNN的区别是每一步/ 每个时间点我们设定多层结构
4. BPTT算法
MPL（DNN）与CNN用BP算法求偏导
BPTT和BP是一个思路，只不过既然有step，就和时间t有关系
5. 生成模型与图像描述
简单image to text
图片描述数据集
Microsoft COCO数据集： http://mscoco.org 
RNN与图片描述
部分结果
LSTM
前面提到的RNN解决了，对之前的信息保存的问题
但是！存在长期依赖的问题。
- 看电影的时候，某些情节的推断需要依赖很久以前的一些细节；
- 很多其他的任务也一样；
- 很可惜随着时间间隔不断增大时，RNN会丧失学习到连接如此远的信息的能力；
- 也就是说，记忆容量有限，一本书从头到尾一字不漏的去记哦，肯定离得越远的东西忘得越多。
- 怎么办：LSTM
LSTM是RNN一种，大体结构几乎一样，区别是：
- 它的“记忆细胞”改造过；
- 该记的信息会一直传递，不该记的会被“门”截断；
1. 长时依赖问题
RNN的结构
把“记忆细胞”表现的炫酷一点
LSTM呢
“记忆细胞”变得稍微复杂了一点点
2. “记忆细胞”与状态
LSTM关键：“细胞状态”
细胞状态类似于传送带，直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。
LSTM怎么控制“细胞状态”？
- 通过“门”让信息选择性通过，来去除或者增加信息到细胞状态；
- 包含一个sigmoid神经网络层和一个pointwise乘法操作；
- sigmoid层输出0到1之间的概率值，描述每个部分有多少量可以通过。0代表“不允许量通过”，1就指“运行任意量通过”
LSTM的几个关键“门”与操作
- 第一步：决定从“细胞状态”中丢弃什么信息 => “忘记门”
- 比如完形填空中填“他” 或者“她”的问题，细胞状态可能包含当前主语的类别，当我们看到新的代词，我们希望忘记旧的代词。
第二步：决定放什么信息到“细胞状态”中
- sigmoid层决定什么值需要更新；
- tanh层创建一个新的候选值向量Ct ；
- 上述2步是为状态更新做准备；
第三步：更新“细胞状态”
- 更新Ct-1为Ct
- 把旧状态与ft 相乘，丢弃掉我们确定需要丢弃的信息；
- 加上it * Ct ，这就是新的候选值，根据我们决定更新每个状态的程度进行变化。
第四步：基于“细胞状态”得到输出
- 首先运行一个sigmoid层来确定细胞状态的哪个部分将输出；
- 接着用tanh处理细胞状态（得到一个在-1到1之间的值），再将它和sigmoid门的输出相乘，输出我们确定输出的那部分。
- 比如我们可能需要单复数信息来确定输出“他”还是“他们”
3. LSMT的变体
变种1
- 增加“peephole connection”
- 让门层也会接受细胞状态的输入；
变种2
通过使用coupled忘记和输入门；
之前是分开确定需要忘记和添加的信息，这里是一同做出决定。
4. GRU
Gated Recurrent Unit （GRU），2014年提出
- 将忘记门和输入门合成了一个单一的更新门；
- 同样还混合了细胞状态和隐藏状态，和其他一些改动；
- 比标准LSTM简单；
生成模式
字符级别的生成模型
纯手工撸制代码请戳 https://gist.github.com/karpathy/d4dee566867f8291f086
标签：状态,RNN,输出,细胞,神经网络,深度,LSTM From： https://www.cnblogs.com/shengyang17/p/17278069.html