淺析循環(huán)神經網絡的研究進展

【摘? 要】現(xiàn)如今循環(huán)神經網絡（recurrent neural network，RNN）已經成為一種動態(tài)處理時間序列數(shù)據(jù)的高效的神經網絡工具。循環(huán)神經網絡（RNNs）能夠從時間序列數(shù)據(jù)中學習特征和長期依賴關系。循環(huán)神經網絡幾乎可以對任何動態(tài)系統(tǒng)進行建模，但是訓練過程中極易出現(xiàn)長程依賴的問題。本文介紹了循環(huán)神經網絡在深度學習領域的基本原理和最新進展，并且分析了今后的研究挑戰(zhàn)。

【關鍵詞】循環(huán)神經網絡;動態(tài)系統(tǒng);深度學習;

RNN的提出與發(fā)展

人工神經網絡（ANNs）是由被稱為人工神經元的連接單元層構成的，其中淺層網絡是指一個輸入層，一個輸出層，最多一個隱含層，沒有重復連接的人工神經網絡。隨著層數(shù)的增加，網絡的復雜度也隨之增加，更多的層數(shù)或重復連接通常會增加網絡的深度，并使其能夠提供不同層次的數(shù)據(jù)表示和特征提取，這稱為深度學習。由于各層的非線性組成所造成的優(yōu)化困難，在2006年之前，深度網絡體系結構方面的工作并不多[1]。而具有循環(huán)連接的神經網絡被稱為循環(huán)神經網絡（RNNs），它能夠對序列數(shù)據(jù)建模以進行序列識別和預測[2]。RNNs使用隱藏狀態(tài)在時間維度上對數(shù)據(jù)信息進行保存和更新，這種結構使RNNs能夠長時間存儲、記憶和處理過去的復雜信息。基于RNNs的文獻中已經發(fā)表了大量的論文，從架構涉及到應用發(fā)展。表1匯總了RNNs隨著時間發(fā)展的主要研究進展。

梯度下降算法的發(fā)展給RNNs的研究提供了助力，但是RNNs的模型結構導致梯度消失或者爆炸的問題無法避免。為了解決上述問題，帶有特殊門控機制的LSTM網絡于1997年被提出[3]。到目前為止，已經有超過1000篇關于LSTM和其變體的研究論文發(fā)表，其中，900篇是在2015年后發(fā)表的。

RNN和其主要變體

循環(huán)神經網絡（RNN）

RNN是前饋神經網絡的一種，它通過包含跨越相鄰時間步的有向邊來增強單元計算，從而在模型中加入了時間的概念。在時刻t，模型的輸入為x，前一個時刻的隱藏狀態(tài)為h

則RNN的公式可以定義為：

h= tanh（Wh + Wx + b）

其中WW和b是可訓練的權重參數(shù)，可通過BPTT（backpropagation through time）算法進行更新。

長短時記憶網絡（LSTM）

LSTM是一種帶有三個門控函數(shù)的特殊RNN變體，成功的解決了RNN的梯度消失爆炸問題，并且在傳統(tǒng)的機器學習深度學習領域廣泛應用。LSTM定義如下：

i=??????? sigmoid（Wx + Wh + b）

f=??????? sigmoid（Wx + Wh + b）

o=??????? sigmoid（Wx + Wh + b）

c= tanh（Wx + Wh + b）

c= fΘc+ iΘc

h= oΘtanh（c）

RNN應用方向

RNN主要應用于自然語言處理領域中，比如語言模型任務。LSTM的提出改進了用于語言建模的RNN模型，因為LSTM能夠更好地學習序列中的長期依賴關系，而不是簡單的隱藏狀態(tài)。RNN還被應用如生成文學作品如詩詞，歌詞等。此外，RNN還在文檔分類中表現(xiàn)優(yōu)秀，如GRU被用來進行文檔級情緒分析，RCNNs被用于多個數(shù)據(jù)集的文本分類。在這種方法中，通常將單詞映射到一個特征向量，然后將特征向量序列作為輸入傳遞給RNN模型。

在語音信號識別領域中，語音和音頻信號會隨著時間不斷變化，音頻信號固有的時序性和時變特性使RNNs成為該領域學習特征的理想模型。在圖像識別領域中，雖然CNN在計算機視覺和圖像處理方面的應用占主導地位，但RNNs在圖像標記、圖像建模和手寫識別等方面也顯示出良好的前景。

參考文獻：

[1]Bengio Y，Boulanger-Lewandowski N，Pascanu R.Advances in optimizing recurrent networks[C]//2013 IEEE International Conference on Acoustics，Speech and Signal Processing.IEEE，2013：8624-8628.

[2] Bengio Y，Simard P，F(xiàn)rasconi P.Learning long-term dependencies with gradient descent is difficult[J].IEEE transactions on neural networks，1994，5（2）：157-166.

[3] Hochreiter S，Schmidhuber J.Long short-term memory[J].Neural computation，1997，9（8）：1735-1780.

作者簡介：

劉昌健（1994-），河北滄州人，寧夏大學碩士研究生在讀，主要研究深度學習、自然語言處理方向。

（作者單位：寧夏大學信息工程學院）