图解 循环神经网络 面前的数学原理 RNN
引言
如今，关于机器学习、深度学习和人工神经网络的讨论越来越多了。但程序员往往只想把这些魔幻的框架用起来，大多并不想知道面前究竟是如何运作的。然而假设咱们能够把握这些面前的原理，关于经常使用起来岂不更好。
当天咱们就来讨论下循环神经网络及其面前的基本数学原理，这些原理使得循环神经网络能够做到其余神经网络做不到的事情。
〄 RNN（循环神经网络）。
这篇文章的目的是对循环神经网络的配置、结构提供一个直观的意识。
一个神经网络通常取自变量 X（或一组自变量）和因变量y ，而后它学习X 和 y之间的映射（咱们称之为训练），一旦训练成功，当给定一个新的自变量，就能预测相应的因变量。
但假设数据的顺序很关键呢？构想一下，假设一切自变量的顺序都很关键呢?
让我来直观地解释一下吧。
只需假定每个蚂蚁是一个独立变量，假设一个蚂蚁朝着不同的方向行进，对其余蚂蚁来说都没相关，对吧？然而，假设蚂蚁的顺序很关键怎样办？
此时，假设一只蚂蚁错过或许分开了个体，它将会影响到前面的蚂蚁。
那么，在机器学习空间中，哪些数据的顺序是关键的呢?
那么 RNN 是如何处置全体顺序很关键的数据呢？咱们用人造文本数据为例来解释 RNN。
假定我正在对一部电影的用户评论启动情感剖析。
从这部电影好（This movie is good） — 侧面的，再到这部电影差（This movie is bad） — 负面的。
咱们可以经过经常使用繁难的词汇袋模型对它们启动分类，咱们可以预测（侧面的或负面的），然而等等。
假设影评是这部电影不好（This movie is not good），怎样办?
BOW 模型或许会说这是一个踊跃的信号，但实践上并非如此。而 RNN 了解它，并预测它是消极的消息。
一. RNN 如何做到的呢?
1.各类 RNN 模型
(1)、一对多
RNN 接受一个输入，比如一张图像，并生成一个单词序列。
(2)、多对一
RNN 接受一个单词序列作为输入，并生成一个输入。
(3)、多对多
接上去，咱们正专一于第二种形式多对一。RNN 的输入被视为期间步长。
示例: 输入(X) = [" this ", " movie ", " is ", " good "]
this 的期间戳是 x(0)，movie 的是 x(1)，is 的是 x(2)，good 的是 x(3)。
2. 网络架构及数学公式
上方让咱们深化到 RNN 的数学环球。
首先，让咱们了解 RNN 单元格蕴含什么！我宿愿并且假定大家知道前馈神经网络，FFNN 的概括，
〄 暗藏层只要繁多神经元的前馈神经网络示例。
〄 具备繁多暗藏层的前馈神经网络。
在前馈神经网络中，咱们有 X（输入）、H（暗藏）和 Y（输入）。咱们可以有恣意多的暗藏层，然而每个暗藏层的权值 W 和每个神经元对应的输入权值是不同的。
上方，咱们有权值 Wy10 和 Wy11，区分对应于两个不同的层相关于输入 Y 的权值，而 Wh00、Wh01 等代表了不同神经元相关于输入的不同权值。
由于存在期间步长，神经网络单元蕴含一组前馈神经网络。该神经网络具备顺序输入、顺序输入、多期间步长和多暗藏层的特点。
与 FFNN 不同的是，这里咱们不只从输入值计算暗藏层值，还从之前的期间步长值计算暗藏层值。关于期间步长，暗藏层的权值（W）是相反的。上方展现的是 RNN 以及它触及的数学公式的完整图片。
在图片中，咱们正在计算暗藏层的期间步长 t 的值:
〄 不同的激活函数。
上方咱们只计算了 Ht，相似地，咱们可以计算一切其余的期间步长。
步骤:
须要留意的是:
一旦前馈输入成功，咱们就须要计算误差并经常使用反向流传法来反向流传误差，咱们经常使用交叉熵作为代价函数。
3. BPTT（期间反向流传）
假设你知道反常的神经网络是如何上班的，剩下的就很繁难了，假设不分明，可以参考本号前面关于人工神经网络的文章。
咱们须要计算上方各项，
由于 W 关于一切的期间步长都是一样的，咱们须要前往到前面，来启动降级。
〄 RNN 中的 BPTT。
记住 RNN 的反向流传和人工神经网络的反向流传是一样的，然而这里的期间步长是基于之前的期间步长计算的，所以咱们必定从头到尾遍从来回。
假设咱们运用链式规律，就像这样
〄 反向流传链式规律。
在一切期间步长上的 W 都相反，因此按链式规律倒退项越来越多。
回到实例
如今咱们回过头来谈谈咱们的情感剖析疑问，这里有一个 RNN，
咱们给每个单词提供一个词向量或许一个热编码向量作为输入，并启动前馈和 BPTT，一旦训练成功，咱们就可以给出新的文原本启动预测。它会学到一些物品，比如不+踊跃的词 = 消极的。
RNN 的疑问 → 隐没/爆炸梯度疑问
由于 W 关于一切的期间步长都是一样的，在反向流传环节中，当咱们回去调整权重时，信号会变得要么太弱要么太强，从而造成要么隐没要么爆炸的疑问。
