深度学习中序列模型（RNN、GRU、LSTM、Transformer）的本质理解

本文详细描述了RNN、GRU、LSTM模型架构的设计理念，希望能帮助大家更深入的理解这几大模型。模型的intuition搞清楚了，复杂的数学公式也就不再显得复杂了，更像是水到渠成的结果。

yftadyz

5612人浏览 · 2020-07-31 12:50:22

yftadyz · 2020-07-31 12:50:22 发布

不成熟想法

我们如何理解序列模型计算出来的隐藏状态向量，它究竟表示什么呢？比如有购买序列：男士外套、男士外套、男士T恤、男士T恤、男士T恤，人类看到这个序列会得出怎样的结论？至少有下面几条：

1、他购买女士衣服的概率比较低

2、他购买男士裤子的概率比较低

3、他喜欢购买男士外套和男士T恤

4、最近他购买男士T恤较多，所以下一个购买的商品，男士T恤会高于男士外套

5、 …

所以我的理解是，隐藏状态就是对上面所有这些结论的一个综合向量表示。

上面是对于从左到右的序列模型，那bidirectionalRNN和transformer呢？

这俩又可以进一步细分为sentence level 和 token level。对于sentence level，会丢失位置信息，隐藏状态表示的结论就是：

1、他购买女士衣服的概率比较低

2、他购买男士裤子的概率比较低

3、他喜欢购买男士外套和男士T恤

4、他购买男士T恤较多，所以更喜欢男士T恤

5、。。。

对于token level，比如我们处于第三个购买商品上，左边儿是两件男士外套，右边儿是两件男士T恤，自己是男士T恤，该商品的隐藏状态表示的结论就是：

1、他购买女士衣服的概率比较低

2、他购买男士裤子的概率比较低

3、他喜欢购买男士外套和男士T恤

4、我自己是男士T恤，所以他更喜欢男士T恤

5、 …

写得很不严谨，一些不成熟的想法，供大家选择算法时能够有些intuition~~

正餐

开始严谨了。r2rt大神的blog探讨了RNN、GRU和LSTM模型架构设计背后隐藏的intuition，告诉你模型中的每一部分是怎么来的，所以特别推荐读一读：https://r2rt.com/written-memories-understanding-deriving-and-extending-the-lstm.html

本章节将要点进行总结。

RNN

在这里插入图片描述

RNNcell中的状态信息就是对输入序列的向量表示（截止到所在时刻）。它的计算方式决定了状态向量state一直在变换，也就是文中说的information morphs，所以模型不够稳定。举个例子，“这条裤子款式很好，价格合理”，根据评论描述按照商品类别对评论归类，那这条评论就属于裤子的。我们读到裤子其实就已经可以判断类别了，此时state就是我们需要的。但是裤子后面的输入文本对这个state进行了信息变换，最后rnn的输出状态已经不是我们想要的了。

RNN的第二个问题是，gradient vanishing，也就是梯度消失问题。RNN的梯度消失和CNN的不同，指的是较早时刻的梯度发生了消失，RNN的梯度近似为各个时刻的梯度计算结果之和，较早时刻的梯度计算包含的小于1的连乘项较多，因而梯度基本为0了。结果就是只有最近时刻的输入参与了误差的后向传播过程，长度为100的序列，模型就只能利用最后的10个元素。

Prototype LSTM

information morphs发生的原因是对于上个时刻的state，我们不加选择的全部拿来计算当前时刻的state，这是读的问题。另一个原因是，计算出来的新状态，不加选择的将上个时刻的state完全覆盖。所以我们要有选择的进行读和写操作。这样将RNN的结构修改如下：

在这里插入图片描述
$i_t$ 和 $o_t$ 分别是控制写和读的门。

$\tilde{s_t}=\phi(W(o_t\odot s_{t-1})+Ux_t+b)$
$s_t=i_t\odot\tilde{s_t}$

对于RNN的第二个问题，我们需要保证较早时刻的梯度可以流动到当前时刻，实现方法也很简单，写的时候把 $s_{t-1}$ 也考虑进来就可以了，即 $s_t=s_{t-1}+i_t\odot\tilde{s_t}$ 。看着是不是眼熟，大名鼎鼎的残差网络ResNet就是借鉴了LSTM。但是这样设计也有问题，远距离的所有输入都不加选择的保留下来。我们希望的是，远距离的有些输入留下来，有些就遗忘吧。所以可以设计成在这里插入图片描述
$f_t$ 是遗忘门，
这样就得到了文中的Prototype LSTM：

看看是不是和GRU很像了。

GRU

Prototype LSTM的主要问题是state缺少bound，所以可能会无限增长直到模型崩溃，无法再学习任何东西，有点儿像梯度爆炸。于是乎我们对 $f_t$ 和 $i_t$ 做下修改，使得 $s_t$ 无法膨胀，这样我们就得到了GRU：
在这里插入图片描述

LSTM

除了GRU中的那种bound方法，还有第二个bound方法，就是在计算门和状态的时候，对state进行normalization， $\phi(s_{t-1})$ , $\phi$ 可以是tanh()。这样模型结构如下,文中称为Pseudo LSTM:
在这里插入图片描述

这个模型的问题就是最后的 $rnn_out$ 不够完美，我们希望输出的状态也应该是有选择的，那改成这样可行么:
$rnn_{out}=o_t\odot\phi(s_t)$
不够完美，因为 $o_t$ 是使用上个时刻的state计算的，所以可以改成：
$o_t'=\sigma(W_o(\phi(s_t))+U_ox_t+b_o)$
$rnn_{out}=o_t'\odot\phi(s_t)$
这是一个读的过程，这样我们经历了读-写-读三步。如果我们把第一个读的步骤去掉，写步骤使用上一时刻读的结果，就得到了标准的LSTM了。
在这里插入图片描述

Peephole LSTM

Peephole LSTM是比较有名的LSTM的变体了。LSTM的问题是，使用 $h_{t-1}$ 计算门和候选状态，但是 $h_{t-1}$ 并不是主状态，即memory cell的状态信息，而是我们经过筛选的输出信息。所以我们在计算门和候选状态时，应该将 $c_{t-1}$ 也考虑进来。这样模型结构如下：
在这里插入图片描述
注意计算 $o_t$ 的时候使用的是 $c_{t}$ 而不是 $c_{t-1}$ 。

总结

RNN、GRU、LSTM模型虽然复杂，公式繁多，但是每个符号都有它存在的意义，绝不是随便就写在那里的，当然更不是凭空猜出来，而是基于一定的设计思路和直觉想法。对我的启示时，对AI算法的理解一定要上升到intuition层面，搞清楚算法每一步后面的动机。相比于直接去记忆抽象的公式符号，动机其实是更容易记忆的。当动机都掌握清楚了，公式推导自然也是水到渠成的事情了。这应该才是掌握一个算法正确的路子。