深度分析RNN的模型结构，优缺点以及RNN模型的几种应用

神经网络是深度学习的载体，而神经网络模型中，最经典非RNN模型所属，尽管它不完美，但它具有学习历史信息的能力。后面不管是encode-decode 框架，还是注意力模型，以及自注意力模型，以及更加强大的Bert模型家族，都是站在RNN的肩上，不断演化、变强的。

这篇文章，阐述了RNN的方方面面，包括模型结构，优缺点，RNN模型的几种应用，RNN常使用的激活函数，RNN的缺陷，以及GRU，LSTM是如何试图解决这些问题，RNN变体等。

这篇文章最大特点是图解版本，其次语言简练，总结全面。

概述

传统RNN的体系结构。Recurrent neural networks，也称为RNNs，是一类允许先前的输出用作输入，同时具有隐藏状态的神经网络。它们通常如下所示：

对于每一时步 , 激活函数 ，输出 被表达为:

这里是时间维度网络的共享权重系数

是激活函数

下表总结了典型RNN架构的优缺点：

处理任意长度的输入	计算速度慢
模型形状不随输入长度增加	难以获取很久以前的信息
计算考虑了历史信息	无法考虑当前状态的任何未来输入
权重随时间共享
优点	缺点

RNNs应用

RNN模型主要应用于自然语言处理和语音识别领域。下表总结了不同的应用：

一对一

传统神经网络

一对多

音乐生成

多对一

机器翻译

RNN 类型图解例子

对于RNN网络，所有时间步的损失函数 是根据每个时间步的损失定义的，如下所示：损失函数

时间反向传播

在每个时间点进行反向传播。在时间步，损失相对于权重矩阵的偏导数表示如下：

处理长短依赖

常用激活函数

RNN模块中最常用的激活函数描述如下：

5

SigmoidTanhRELU

梯度消失/爆炸

在RNN中经常遇到梯度消失和爆炸现象。之所以会发生这种情况，是因为很难捕捉到长期的依赖关系，因为乘法梯度可以随着层的数量呈指数递减/递增。

梯度修剪

梯度修剪是一种技术，用于执行反向传播时，有时遇到的梯度爆炸问题。通过限制梯度的最大值，这种现象在实践中得以控制。

门的类型

为了解决消失梯度问题，在某些类型的RNN中使用特定的门，并且通常有明确的目的。它们通常标注为，等于：

其中，是特定于门的系数，是sigmoid函数。主要内容总结如下表：

Gated Recurrent Unit（GRU）和长-短期记忆单元（LSTM）处理传统RNNs遇到的消失梯度问题，LSTM是GRU的推广。下表总结了每种结构的特征方程：GRU/LSTM

注：符号表示两个向量之间按元素相乘。

RNN的变体

下表总结了其他常用的RNN模型：

Bidirectional （BRNN）Deep （DRNN）

编辑：jq