5.1循环序列模型
觉得有用的话,欢迎一起讨论相互学习~Follow Me
1.3循环神经网络模型
为什么不使用标准的神经网络
假如将九个单词组成的序列作为输入,通过普通的神经网网络输出输出序列,
- 在不同的例子中输入数据和输出数据具有不同的长度,即每个数据不会有一样的长度
也许每个语句都有最大长度,能够通过Padding 的方式填充数据,但总体来说不是一个好的表达方式。
- 不共享从文本的不同位置上学到的特征
例如普通神经网络可以学习到Harry这个单词出现在\(x^{<1>}\)的位置,但是如果Harry这个单词出现在\(x^{<4>}\)的位置,普通的神经网络不能识别的出来。
输入量巨大,如果词典中最大的单词量是1W的话,则单词的one-hot表示向量将是一个1W维的数据。而一个训练语句中的单词数为\(T_{x}\),则输入数据的维度为\(T_{x} * 1W\)此数据维度是十分巨大的。
循环神经网络模型
\[a^{<0>}=\vec{0}\]
\[a^{<1>}=g(W_{aa}a^{<0>}+W_{ax}X^{<1>}+b_{a})\]
\[//g表示非线性激活函数(Tanh/ReLU)\]
\[\hat{y}^{<1>}=g(W_{ya}a^{<1>}+b_{y})\]
\[//g表示非线性激活函数,但是不一定要与上面的g相同(Sigmoid)\]
\[a^{<T_{x}>}=g(W_{aa}a^{<T_{x}-1>}+W_{ax}X^{<T_{x}>}+b_{a})\]
\[\hat{y}^{<T_{x}>}=g(W_{ya}a^{<T_{x}>}+b_{y})\]
简化循环神经网络数学公式
将\(W_{aa}和W_{ax}合并成一个大的矩阵W_{a},将a^{<t-1>}和X^{<t>}合并成[a^{<t-1>},X^{<t>}]\)
具体如下图所示: