RNN|看完发现RNN原来是这样，机器学习人门贴送上 |

白交发自凹非寺
量子位报道 | 公众号 QbitAI
今天写给小白的机器学习入门贴，就来介绍一下什么是循环神经网络，也就是RNN 。
循环神经网络就是专门处理序列的。由于它们在处理文本方面的有效性，因此经常用于自然语言处理（NLP）任务。
还是之前介绍的那个作者——Victor Zhou 。

本文插图
RNN有什么用？
传统的神经网络，以及CNN ，它们存在的一个问题是，只适用于预先设定的大小。
通俗一点，就是采用固定的大小的输入并产生固定大小的输出。
就比如上次提到的CNN例子，以4×4图像为输入，最终指定输出2×2的图像。
而RNN呢？它专注于处理文本，其输入和输出的长度是可变的，比如，一对一，一对多，多对一，多对多。
看这个图，我想你就可以明白了。

本文插图
其中，输入是红色、RNN本身是绿色，输出为蓝色。
这种处理序列的能力十分有用，于是， RNN就有了丰富的应用场景。
比如，机器翻译。
像你见到的，某歌、某道、某度，还有最近很火的DeepL翻译器，它们都是“多对多”进行的。
原始文本序列被馈送到RNN ，然后RNN生成翻译后的文本作为输出。
再比如，情绪分析。
通常使用的是“多对一”的RNN进行。将想要分析的文本输入到RNN中，然后产生一个单一的输出分类。
举个例子：分析一个评论是正面还是负面的评论。
输出得出：这是一个肯定的评论。
怎样实现RNN？
我们就先来考虑一下， “多对多的RNN ，输入为x0、x1、x2……xn ，输出为y0、y1、y2……yn ，这些xi ， yi都是向量，具有任意维度。
RNNs的工作原理是迭代更新一个隐藏状态h ，它是一可以有任意维度的向量。
而对于任意的一个ht：
1、由对应的输入xt与上一个隐藏层ht-1来计算2、输出yt是由ht计算出的结果。
这样，前一次的输出结果，就会带到下一次的隐藏层中，跟着一起训练。这样看，是不是就感受到了循环二字了。

本文插图

本文插图
每一个步骤都是采用的相同的权重，通常来讲，一个典型的RNN通常只需3组权重去完成它的计算。

本文插图
此外，还需要两个偏差。

本文插图
由此，这3个权重跟2个偏差，就完成了整个RNN的计算。
将他们组合起来，方程式是这样的。

本文插图
需要注意的是，这里的权重是矩阵，而其他变量是向量哦！
这里的第一个方程式，激活函数采用的是双曲线函数，当然用之前提到的S型函数也是OK的。
文本是肯定还是否定？
接着，我们就来试着从头开始执行RNN吧。
以一个简单的情感分析为例，就是判断一串给定的文本字符串是肯定的表达还是否定的。
比如，这些数据集。

分页标题
本文插图
从这个表格看出，我们将使用“多对一”的RNN类型。

本文插图
每个输入x都将是一个向量，代表文本中的一个单词。
而输出y则是一个包含两个数字的向量，一个代表正数，一个代表负数，然后应用Softmax将这些值转化为概率，并最终得出正负。
预处理
首先，我们要先进行一些预处理——将数据集转化为可用的格式。因为RNN暂且还不能识别单词，所以，我们需要构建一个所有单词的词汇表，并给它编号。
在词汇表中，有18个单词，那就意味着每一个单词是一个x ，那么输入就是一个18维的向量。
训练RNN
接下来，就是按照原始RNN所需的3个权重，与2个偏差开始。
就是我们前面见过的公式。

本文插图
就像此前训练CNN一样，训练RNN ，首先需要一个损失函数。
此次将使用交叉熵损失与Softmax联合计算：

本文插图
（其中c表示某个文本标签，比如 correct）
举个例子，如果一个肯定文本测试显示有90%的概率是肯定的，那么它的损失函数是：

本文插图
计算了损失函数以后，就要利用梯度下降的训练来减小损失。
接下来，就涉及到多变量演算，计算思路跟之前的一样，只是具体计算公式有所不同。详情就戳下方链接。
训练之后，别忘了，还需要进行一番测试哦~
【RNN|看完发现RNN原来是这样，机器学习人门贴送上】好了，今天有关RNN介绍，就到这里了。