注:这是2017年课程的lecture8。一直都在用RNN,但是对它内部的构造不甚了解,所以这次花了一个下午加一个晚上看了CS224n中关于RNN的推导,不敢说融会贯通,算是比以前清楚多了。做个笔记,便于日后查阅。
主要讲了以下几个内容:
传统语言模型
RNN和RNN语言模型
一些问题(梯度消失爆炸问题)和训练技巧
RNN的其他应用
双向RNN和多层RNN
首先介绍语言模型的概念,简言之,语言模型描述了一个单词序列的概率,原文是a language model computes a probability for a sentence of words. 这样的好处是可以描述单词顺序以及更好的单词选择。关于单词顺序,课上举的例子是\(P(the cat is small) > P(small is the cat)\),即正确语序在语言模型下的概率更高;关于单词选择,例子是\(P(walking home after school) > P(walking house after school)\)。也就是说概率越高,越像人话。
传统的语言模型计算的概率大多基于“窗口”大小,也就是\(n-gram\)中的\(n\)的大小。一个自然的理解是当前词的概率也应该和之前所有词的选择有关,即:
\[P({w_t} = {v_j}) = P({w_t} = {v_j}|{w_1},{w_2},…,{w_{t - 1}})\]
但是问题是这种计算不可行,随着语料的增大,当\(t\)足够大的时候,计算这个概率是很难的事情。因此,我们做出一个在数学上来看不正确,但是在实际计算中很有必要的Markov假设,即当前词的概率仅与之前的\(n\)个词有关,即:
\[P({w_t} = {v_j}) = P({w_t} = {v_j}|{w_{t - n}},{w_{t - (n - 1)}},…,{w_{t - 1}})\]
计算多使用词频或者词组的频率计算,下面的公式展示了\(unigram\)和\(bi-gram\)的计算公式:
unigram:\[P({w_2}|{w_1}) = \frac{{count({w_1},{w_2})}}{{count({w_1})}}\]
bigram: \[P({w_3}|{w_1},{w_2}) = \frac{{count({w_1},{w_2},{w_3})}}{{count({w_1},{w_2})}}\]
其中,\(count\)表示对应数组在整个语料中的出现次数。根据公式可以看到,计算\[{{count({w_1},{w_2},{w_3})}}\]的复杂程度与词汇表大小有关,具体是n-gram的复杂程度是\({\left| V \right|^n}\),其中\(\left| V \right|\)表示词汇表的大小。所以我们会发现这种方法对内存空间的要求很大,模型的表现越好,所需要的内存就越大。
根据时间序列进行预测,具体方法是共享权值矩阵。
理论上可以考虑之前所有的单词
内存需求低于传统语言模型
\[{h_t} = \sigma ({W^{hh}}{h_{t - 1}} + {W^{hx}}{x_t}),{W^{hh}} \in {D_h} \times {D_h},{W^{hx}} \in {D_h} \times d\]
\[{\hat y_t} = softmax({W^S}{h_t}),{W^S} \in \left| V \right| \times {D_h}\]
\[\hat P({x_{t + 1}} = {v_j}|{x_1},{x_2},…,{x_t}) = {\hat y_{t,j}}\]
其中,\(D_h\)是隐藏层的维度,\(d\)是词向量的维度,\(\left| V \right|\)是词汇表的大小
目标函数采用交叉熵函数:
\(t\)时刻:\[{J^{(t)}}(\theta ) = - \sum\limits_{j = 1}^{\left| V \right|} {{y_{t,j}}\log {{\hat y}_{t,j}}} \]
全部:\[J = - \frac{1}{T}\sum\limits_{t = 1}^T {\sum\limits_{j = 1}^{\left| V \right|} {{y_{t,j}}\log {{\hat y}_{t,j}}} } \]
困惑度(perplexity, PPL),PPL的计算公式如下:
\[PPL = {2^J}\]
所以,PPL越小越好。
首先给出结论,基本的RNN存在长距依赖问题,即训练时间足够长时,会出现梯度的突变,使得训练失去意义。我们从公式推导的角度说明这个问题。
\[{h_t} = Wf({h_{t - 1}}) + {W^{hx}}{x_t}\]
\[{\hat y_t} = {W^S}g({h_t})\]
\[\frac{{\partial J}}{{\partial W}} = \sum\limits_{t = 1}^T {\frac{{\partial {J_t}}}{{\partial W}}} \]
我们依次进行分析,首先是\(W^S\),它的梯度是比较容易得到的,即:
\[chain rules: \frac{{\partial {J_t}}}{{\partial {W^S}}} = \frac{{\partial {J_t}}}{{\partial {{\hat y}_t}}}\frac{{\partial {{\hat y}_t}}}{{\partial {W^S}}}\]
比较麻烦的是\(W\)和\(W^hx\)的梯度,但是这两个梯度很类似,求出一个另一个也类似可得,现在以\(W\)为例,我们先观察这三个式子:
\[{h_t} = Wf({h_{t - 1}}) + {W^{hx}}{x_t}\]
\[{\hat y_t} = {W^S}g({h_t})\]
\(t\)时刻:\[{J^{(t)}}(\theta ) = - \sum\limits_{j = 1}^{\left| V \right|} {{y_{t,j}}\log {{\hat y}_{t,j}}} \]
想要求\(t\)时刻\(W\)的梯度,应用链式法则有:
\[\frac{{\partial {J_t}}}{{\partial W}} = \frac{{\partial {J_t}}}{{\partial {{\hat y}_t}}}\frac{{\partial {{\hat y}_t}}}{{\partial {h_t}}}\frac{{\partial {h_t}}}{{\partial W}}\]
其中,\(\frac{{\partial {J_t}}}{{\partial {{\hat y}_t}}}\frac{{\partial {{\hat y}_t}}}{{\partial {h_t}}}\)是比较好求的,不好处理的只有\(\frac{{\partial {h_t}}}{{\partial W}}\),因为\({h_{t-1}}\)中也有\(W\)项,应该使用连式法则求解,即:
\[\frac{{\partial {J_t}}}{{\partial W}} = \sum\limits_{k = 1}^t {\frac{{\partial {J_t}}}{{\partial {{\hat y}_t}}}\frac{{\partial {{\hat y}_t}}}{{\partial {h_t}}}\frac{{\partial {h_t}}}{{\partial {h_k}}}\frac{{\partial {h_k}}}{{\partial W}}} \]
我们再来看上式中的\({\frac{{\partial {h_t}}}{{\partial {h_k}}}}\),由链式法则有以下的式子成立:
\[\frac{{\partial {h_t}}}{{\partial {h_k}}} = \prod\limits_{j = k + 1}^t {\frac{{\partial {h_j}}}{{\partial {h_{j - 1}}}}} \]
其中\(h_j\)与\({h_{j-1}}\)的关系可以写成\({h_j} = F({h_{j-1}})\),所以这个式子可以写成一个雅克比矩阵:
\[\frac{{\partial {h_j}}}{{\partial {h_{j - 1}}}} = \begin{array}{*{20}{c}}
{\frac{{\partial {F_1}}}{{\partial {h_{j - 1,1}}}}}&{\frac{{\partial {F_1}}}{{\partial {h_{j - 1,2}}}}}&{\frac{{\partial {F_1}}}{{\partial {h_{j - 1,3}}}}}&{…}&{\frac{{\partial {F_1}}}{{\partial {h_{j - 1,{D_h}}}}}}\\
{\frac{{\partial {F_2}}}{{\partial {h_{j - 1,1}}}}}&{\frac{{\partial {F_2}}}{{\partial {h_{j - 1,2}}}}}&{\frac{{\partial {F_2}}}{{\partial {h_{j - 1,3}}}}}&{…}&{\frac{{\partial {F_2}}}{{\partial {h_{j - 1,{D_h}}}}}}\\
{…}&{…}&{…}&{…}&{…}\\
{…}&{…}&{…}&{…}&{…}\\
{\frac{{\partial {F_{{D_h}}}}}{{\partial {h_{j - 1,1}}}}}&{\frac{{\partial {F_{{D_h}}}}}{{\partial {h_{j - 1,2}}}}}&{\frac{{\partial {F_{{D_h}}}}}{{\partial {h_{j - 1,3}}}}}&{…}&{\frac{{\partial {F_{{D_h}}}}}{{\partial {h_{j - 1,{D_h}}}}}}
\end{array}\]
即对这个偏导数求范数,其中\({\beta _W}\)和\({\beta _h}\)分别是\(\left\| {{W^T}} \right\|\)和\(\left\| {diag({f^{(1)}}({h_{j - 1}}))} \right\|\)的上界:
\[\left\| {\frac{{\partial {h_j}}}{{\partial {h_{j - 1}}}}} \right\| \le \left\| {{W^T}} \right\|\left\| {diag({f^{(1)}}({h_{j - 1}}))} \right\| \le {\beta _W}{\beta _h}\]
\[\left\| {\frac{{\partial {h_t}}}{{\partial {h_{k}}}}} \right\| = \left\| \prod\limits_{j = k + 1}^t {\frac{{\partial {h_j}}}{{\partial {h_{j - 1}}}}} \right\| \le ({\beta _W}{\beta _h})^{(t-k)}\]
所以,当\(0 < {\beta _W}{\beta _h} < 1\),在足够长的时间后会产生梯度消失,否则产生梯度爆炸。
今天太困了,以后再补吧,鸽了QAQ
手机扫一扫
移动阅读更方便
你可能感兴趣的文章