循环神经网络 - 霖的博客

循环层#

在循环神经网络中，通过引入与上一个时刻相关的隐状态变量 $H_{t-1}$ 来描述当前时刻之前的序列，从而实现了保存神经网络的历史信息。具体来说，当前时刻的隐状态是由输入与上一时刻的隐状态共同参与计算得出：

H_t = \phi (X_t W_{xh} + H_{t-1} W_{hh} + b_h)

对于该时刻的输出，可由当前时刻的隐状态计算得出：

O_t = H_t W_{hq} + b_q

基于循环计算的隐状态神经网络就叫循环神经网络 (Recurrent Neural Network) ，在循环神经网络中执行计算的层就叫循环层。单循环层的RNN

困惑度#

我们可以通过一个序列中所有的 $n$ 个词元的交叉熵损失的平均值来衡量预测的好坏:

\frac{1}{n} \sum_{t=1}^n -log P(x_t|x_{t-1}, ..., x_1)

在自然语言处理领域，通常使用困惑度这一概念来评估语言模型的好坏，其为上式的指数：

exp(- \frac{1}{n} \sum_{t=1}^n log P(x_t|x_{t-1}, ..., x_1))

简言之，困惑度的可理解为下一个词元的实际选择数的调和平均数。

循环神经网络的实现#

基于pytorch的模型的定义：

1
class RNNModel(nn.Block):
2
    """循环神经网络模型"""
3
    def __init__(self, rnn_layer, vocab_size, **kwargs):
4
        super(RNNModel, self).__init__(**kwargs)
5
        self.rnn = rnn_layer
6
        self.vocab_size = vocab_size
7
        self.dense = nn.Dense(vocab_size)
8

9
    def forward(self, inputs, state):
10
        X = npx.one_hot(inputs.T, self.vocab_size)
11
        Y, state = self.rnn(X, state)
12
        # 全连接层首先将Y的形状改为(时间步数*批量大小,隐藏单元数)
13
        # 它的输出形状是(时间步数*批量大小,词表大小)
14
        output = self.dense(Y.reshape(-1, Y.shape[-1]))
15
        return output, state
16

17
    def begin_state(self, *args, **kwargs):
18
        return self.rnn.begin_state(*args, **kwargs)
19

20
num_hiddens = 256
21
rnn_layer = rnn.RNN(num_hiddens)
22
rnn_layer.initialize()
23

24
net = RNNModel(rnn_layer, len(vocab))

循环层#

困惑度#

循环神经网络的实现#

参考资料#