[[211628]]

1.神經(jīng)網(wǎng)絡基礎(chǔ)

神經(jīng)網(wǎng)絡可以當做是能夠擬合任意函數(shù)的黑盒子，只要訓練數(shù)據(jù)足夠，給定特定的x，就能得到希望的y，結(jié)構(gòu)圖如下：

將神經(jīng)網(wǎng)絡模型訓練好之后，在輸入層給定一個x，通過網(wǎng)絡之后就能夠在輸出層得到特定的y，那么既然有了這么強大的模型，為什么還需要RNN（循環(huán)神經(jīng)網(wǎng)絡）呢？

 2.為什么需要RNN（循環(huán)神經(jīng)網(wǎng)絡）

他們都只能單獨的取處理一個個的輸入，前一個輸入和后一個輸入是完全沒有關(guān)系的。但是，某些任務需要能夠更好的處理序列的信息，即前面的輸入和后面的輸入是有關(guān)系的。

比如，當我們在理解一句話意思時，孤立的理解這句話的每個詞是不夠的，我們需要處理這些詞連接起來的整個序列； 當我們處理視頻的時候，我們也不能只單獨的去分析每一幀，而要分析這些幀連接起來的整個序列。

以nlp的一個最簡單詞性標注任務來說，將我 吃 蘋果 三個單詞標注詞性為 我/nn 吃/v 蘋果/nn。

那么這個任務的輸入就是：

我 吃 蘋果 （已經(jīng)分詞好的句子）

這個任務的輸出是：

我/nn 吃/v 蘋果/nn(詞性標注好的句子)

對于這個任務來說，我們當然可以直接用普通的神經(jīng)網(wǎng)絡來做，給網(wǎng)絡的訓練數(shù)據(jù)格式了就是我-> 我/nn 這樣的多個單獨的單詞->詞性標注好的單詞。

但是很明顯，一個句子中，前一個單詞其實對于當前單詞的詞性預測是有很大影響的，比如預測蘋果的時候，由于前面的吃是一個動詞，那么很顯然蘋果作為名詞的概率就會遠大于動詞的概率，因為動詞后面接名詞很常見，而動詞后面接動詞很少見。

所以為了解決一些這樣類似的問題，能夠更好的處理序列的信息，RNN就誕生了。

 3.RNN結(jié)構(gòu)

首先看一個簡單的循環(huán)神經(jīng)網(wǎng)絡如，它由輸入層、一個隱藏層和一個輸出層組成：

不知道初學的同學能夠理解這個圖嗎，反正我剛開始學習的時候是懵逼的，每個結(jié)點到底代表的是一個值的輸入，還是說一層的向量結(jié)點集合，如何隱藏層又可以連接到自己，等等這些疑惑~這個圖是一個比較抽象的圖。

我們現(xiàn)在這樣來理解，如果把上面有W的那個帶箭頭的圈去掉，它就變成了最普通的全連接神經(jīng)網(wǎng)絡。

x是一個向量，它表示輸入層的值（這里面沒有畫出來表示神經(jīng)元節(jié)點的圓圈）；s是一個向量，它表示隱藏層的值（這里隱藏層面畫了一個節(jié)點，你也可以想象這一層其實是多個節(jié)點，節(jié)點數(shù)與向量s的維度相同）；

U是輸入層到隱藏層的權(quán)重矩陣，o也是一個向量，它表示輸出層的值；V是隱藏層到輸出層的權(quán)重矩陣。

那么，現(xiàn)在我們來看看W是什么。循環(huán)神經(jīng)網(wǎng)絡的隱藏層的值s不僅僅取決于當前這次的輸入x，還取決于上一次隱藏層的值s。權(quán)重矩陣 W就是隱藏層上一次的值作為這一次的輸入的權(quán)重。

我們給出這個抽象圖對應的具體圖：

我們從上圖就能夠很清楚的看到，上一時刻的隱藏層是如何影響當前時刻的隱藏層的。

如果我們把上面的圖展開，循環(huán)神經(jīng)網(wǎng)絡也可以畫成下面這個樣子：

現(xiàn)在看上去就比較清楚了，這個網(wǎng)絡在t時刻接收到輸入  之后，隱藏層的值是  ，輸出值是  。關(guān)鍵一點是，  的值不僅僅取決于  ，還取決于  。我們可以用下面的公式來表示循環(huán)神經(jīng)網(wǎng)絡的計算方法：

用公式表示如下：

 4.總結(jié)

好了，到這里大概講解了RNN最基本的幾個知識點，能夠幫助大家直觀的感受RNN和了解為什么需要RNN，后續(xù)總結(jié)它的反向求導知識點。

***給出RNN的總括圖：