深度学习模型基本结构—RNN

深度学习的基本步骤：定义模型-->定义损失函数-->找到优化方法

课程大纲

1、熟悉定义符号（略过）

2、RNN

简单地说就是

RNN可以看做是一个function反复迭代。

为什么不用feedFord network，因为我们输入的sequence可能会比较长，这样的话feedFord network可能就会参数很多，容易导致过拟合。

RNN的一个好处是参数少，有可能比较难train，但是你一旦在training data上获得比较好的结果，在testing data上的效果通常也不会差。

Deep RNN要注意到一点是 f1的输出和f2的输入的维度必须一致，这样才好拼接到一起。

双向RNN。就是要加入一个f3，将f1的输出和f2的输出整合在一起。至于f1和f2不必一样，你可以随便设计。

下面介绍一些具体的应用

这个是直接用sqe2sqe的语音识别。第一层是bi-rnn，第二层是将若干第一层的输出（合起来）作为输出，也是bi-rnn，后面都这样下去。这种结够比单纯的深度bi-rnn更容易训练。第二层block虽然需要处理若干第一层block的输出，但是这种法有利于做并行加速。RNN很难做并行，因为下一个节点必须得等第一个节点的输出才能进行，而pyramidal rnn里高层的block，序列变短了，每个block中虽然运算量较大，但是可以用并行运算加速。

最简单的RNN运算如上图。

C变化较慢，可以记住时间比较久的信息。

也可以把C拿下来一块运算。一般W中对应于C的参数都是对角矩阵。

然后如下运算

z_i是输入门，决定了z的哪些信息流入，z_f是遗忘门，决定c_t-1的哪些信息遗忘。

然后就可以反复这个步骤。，以上粗箭头表示乘以一个矩阵，细箭头表示啥也没做。

使用例子（下面是一些炼丹心得，详细了解需要认真去读原论文）

简化版的语音识别任务，每一段声音识别成一个因素即可，多分类问题。

使用单项RNN有一个有效的trick是 Target Delay

在原始声音信号（frame）右端补若干个零（图中是3个），在识别时标签向后延后若干位开始做识别。

以上任务在若干种方法的实验效果

纵轴是分类正确率，横轴Window size是（如果是MLP）是指：如果input是一排frame（每个frame的声音信号可能只有0.01秒），每次判断时将前后若干frame拼接起来作为一个比较长的vector去判断中间一个frame的标签是什么。图中MLP方法的Window size为10时效果最好。

横轴target delay是（如果是RNN或LSTM）是指label往右shift几个frame。

上面这个图的横轴是训练的轮数，从图中可以看出LSTM的训练速度比RNN更快

下面这个图是LSTM的各种架构跑的结果。论文名字叫LSTM 漫游。尝试了各种各样的LSTM架构和参数。

横轴是错误率，纵轴是训练时间。不同的颜色代表不同的LSTM架构，相同的颜色不同的点代表同样的架构，不同的参数。

后面三个MUT1、MUT2、MUT3使用基因演算法去寻找最佳的RNN结构，使用LSTM和GRU的结构为初始基因，使用不同的组合去找。

还有一个比较经典的RNN结构，普通的RNN受输入长度的限制。输入过长时，内存或显存放不下。而下面这个结构Stack RNN输入可以无限长，它是将输入每N个取出来放到一个function里输出需要存储的information同时输出push、pop、nothing操作。具体详见论文吧。