【神经网络】循环神经网络(RNN)的长期依赖问题

作者：曲曲菜（微信公众号：曲曲菜）

时间序列数据是在不同时间点上统计同一指标，并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来。

循环神经网络（Recurrent Neural Network或RNN )就是一类用于处理序列数据的神经网络。RNN的状态，不仅受输入影响，还受前一时刻状态的影响。

上图网络结构中，各循环连接是在隐藏层之间，且是共享权重的，设循环连接的权重是W。

什么是长期依赖

长期依赖是指当前系统的状态，可能受很长时间之前系统状态的影响，是RNN中无法解决的一个问题。

如果从“这块冰糖味道真？”来预测下一个词，是很容易得出“甜”结果的。但是如果有这么一句话，“他吃了一口菜，被辣的流出了眼泪，满脸通红。旁边的人赶紧给他倒了一杯凉水，他咕咚咕咚喝了两口，才逐渐恢复正常。他气愤地说道：这个菜味道真？”，让你从这句话来预测下一个词，确实很难预测的。因为出现了长期依赖，预测结果要依赖于很长时间之前的信息。

理论上，通过调整参数，RNN是可以学习到时间久远的信息的。但是，实践中的结论是，RNN很难学习到这种信息的。RNN 会丧失学习时间价格较大的信息的能力，导致长期记忆失效。

长期记忆失效的原因

RNN中，我们可以认为，循环连接是非常简单的，缺少非线性激活函数的。以文章第一张图的RNN为例，连接关系可以表示为 。如果abs(W)<1，因为 h^(t-1) 前的系数为W，也就是 t-1 时间的状态信息传递到t时刻，成为了原来的W倍。如果逐层迭代，将 h^(t) 写成含 h⁽⁰⁾ 的表达式，那么 h⁽⁰⁾ 前面的系数会是 W^(t) 。abs(W) < 1时， W^(t) 是非常小的一个数，可以认为 h⁽⁰⁾ 对 h^(t) 几乎不产生影响。也就是0时刻的信息几乎被遗忘，就导致了长期记忆失效。

解决长期依赖问题有很多方法的，其中长短时记忆网络（LSTM）是比较常用的一个。

参考资料

[1] Yoshua Bengio.Deep Learning
[2] Christopher Olah.http://colah.github.io/posts/2015-08-Understanding-LSTMs/

本文作者：曲曲菜（微信公众号：曲曲菜）
原创作品，未标明作者不得转载。