内容简介:时间序列数据是在不同时间点上统计同一指标,并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来。循环神经网络(Recurrent Neural Network或RNN )就是一类用于处理序列数据的神经网络。RNN的状态,不仅受输入影响,还受前一时刻状态的影响。
时间序列数据是在不同时间点上统计同一指标,并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来。
循环神经网络(Recurrent Neural Network或RNN )就是一类用于处理序列数据的神经网络。RNN的状态,不仅受输入影响,还受前一时刻状态的影响。
一种RNN的设计模式
上图网络结构中,各循环连接是在隐藏层之间,且是共享权重的,设循环连接的权重是W。
什么是长期依赖
长期依赖是指当前系统的状态,可能受很长时间之前系统状态的影响,是RNN中无法解决的一个问题。
如果从“ 这块冰糖味道真? ”来预测下一个词,是很容易得出“ 甜 ”结果的。但是如果有这么一句话,“ 他吃了一口菜,被辣的流出了眼泪,满脸通红。旁边的人赶紧给他倒了一杯凉水,他咕咚咕咚喝了两口,才逐渐恢复正常。他气愤地说道:这个菜味道真? ”,让你从这句话来预测下一个词,确实很难预测的。因为出现了长期依赖,预测结果要依赖于很长时间之前的信息。
长期依赖问题
理论上,通过调整参数,RNN是可以学习到时间久远的信息的。但是,实践中的结论是,RNN很难学习到这种信息的。 RNN 会丧失学习时间价格较大的信息的能力, 导致长期记忆失效。
长期记忆失效的原因
RNN中,我们可以认为,循环连接是非常简单的,缺少非线性激活函数的。以文章第一张图的RNN为例,连接关系可以表示为。如果abs(W)<1,因为前的系数为W,也就是t-1时间的状态信息传递到t时刻,成为了原来的W倍。如果逐层迭代,将写成含的表达式,那么前面的系数会是。abs(W)<1时,是非常小的一个数,可以认为对几乎不产生影响。也就是0时刻的信息几乎被遗忘,就导致了长期记忆失效。
解决长期依赖问题有很多方法的,其中长短时记忆网络(LSTM)是比较常用的一个。
参考资料
[1] Yoshua Bengio.Deep Learning
[2] Christopher Olah.http://colah.github.io/posts/2015-08-Understanding-LSTMs/
本文作者:曲曲菜(微信公众号: 曲曲菜 )
原创作品,未标明作者不得转载。
更多AI和金融知识,长按图片关注作者公众号
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 浅析依赖倒转、控制反转、IoC 容器、依赖注入。
- Angular 4 依赖注入教程之五 FactoryProvider配置依赖对象
- Gradle构建SpringBoot程序依赖管理之依赖版本自动控制
- Maven学习笔记七【可选的依赖项和依赖项排除】
- 模块化解耦框架RxFluxArchitecture4-依赖库与依赖注入
- 神经网络 – 序列预测LSTM神经网络落后
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。