简述RNN Recurrent Neural Networks

本文结构：

什么是 Recurrent Neural Networks ？
Recurrent Neural Networks 的优点和应用？
训练 Recurrent Neural Networks 的问题？
如何解决？
何时用 RNN 何时用前馈网络呢？

---

什么是 Recurrent Neural Networks ？

普通的前馈神经网络模型，它的结构是信号以一个方向从输入走到输出，一次走一层。

 

 

在 RNN 中，前一时刻的输出会和下一时刻的输入一起传递下去。
可以把这个过程看成是一个随着时间推移的流。
在这里显示的是四个时间点，在t＝1的时候，网络取到t＝0的时候的输出，并且将它和下一个输入一起发送回给网络。

 

 

Recurrent Neural Networks 的优点和应用？

和前馈神经网络不同，RNN 可以接收一系列的数据作为输入，而且也可以返回一系列的值作为输出。这种可以处理序列化数据的功能，使得这个网络得以非常广泛的应用。

当输入是一个的时候，输出是一个序列的时候，这可以用于 image captioning （让计算机用一句话来描述这张图片）。

 

 

输入是一个序列，输出是1个数据的时候，这个模型可以被用来分类。

 

 

当输入是一个序列，输出也是一个序列的时候，可以用来对视频一帧一帧的分类。

 

 

当引入时间延迟的时候，就可以用于供应链计划里的需求预测。

 

 

当把几个RNN堆起来时，得到的这个新的网络就可以输出比单独一个RNN更为复杂的结果。

 

Paste_Image.png

训练 Recurrent Neural Networks 的问题？

RNN 是很难被训练的，训练的时候也使用 Back Propagation，所以这也存在着梯度消失的问题，而且这个梯度消失的问题会是指数级别的。

原因就是，RNN的每个时间点，就相当于一个前馈神经网络的整个层，
所以训练100步的模型就相当于训练一个100层的前馈网络。
这就造成了随着时间的推移，梯度会以指数级的速度减小，进而造成信息的衰变。

 

 

如何解决？

有很多方式可以解决这个问题，其中之一就是 Gating。

这个技术的好处就是它可以决定，什么时候需要忘记当前的输入，什么时候需要记住它，以便将来的步骤里会用到它。

今天最流行的 Gating 就是 LSTM 和 GRU。

当然也有一些其他的方法 Gradient clipping, Better optimizer, Steeper Gates。

 

 

训练神经网络的时候用 GPU 要比用 CPU 好。
研究表明，用 GPU 训练会比 CPU 训练快250倍。（现在可能更快了）
这就是一天和八个月的区别。

何时用 RNN 何时用前馈网络呢？

前馈神经网络，它会输出一个数据，可以用来做分类或者回归。
RNN 适合时间序列的数据，它的输出可以是一个序列值或者一序列的值。
所以说，如果要做分类或者回归的话，可以用前馈是神经网络，如果要预测的话，可以用循环神经网络。