循环神经网络 一文搞懂RNN 基础篇

1.神经网络基础

神经网络可以当做是能够拟合恣意函数的黑盒子，只需训练数据足够，给定特定的x，就能获取宿愿的y，结构图如下：

将神经网络模型训练好之后，在输入层给定一个x，经过网络之后就能够在输入层获取特定的y，那么既然有了这么弱小的模型，为什么还须要RNN（循环神经网络）呢？

2.为什么须要RNN（循环神经网络）

他们都只能独自的取处置一个个的输入，前一个输入和后一个输入是齐全没有相关的。然而，某些义务须要能够更好的处置序列的消息，即前面的输入和前面的输入是有相关的。

比如，当咱们无了解一句话意思时，孤立的了解这句话的每个词是不够的，咱们须要处置这些词衔接起来的整个序列； 当咱们处置视频的时刻，咱们也不能只独自的去剖析每一帧，而要剖析这些帧衔接起来的整个序列。

以nlp的一个最便捷词性标注义务来说，将我 吃 苹果 三个单词标注词性为 我/nn 吃/v 苹果/nn。

那么这个义务的输入就是：

我 吃 苹果 （曾经分词好的句子）

这个义务的输入是：

我/nn 吃/v 苹果/nn(词性标注好的句子)

关于这个义务来说，咱们当然可以间接用普通的神经网络来做，给网络的训练数据格局了就是我-> 我/nn 这样的多个独自的单词->词性标注好的单词。

然而很显著，一个句子中，前一个单词其实关于单词的词性预测是有很大影响的，比如预测苹果的时刻，由于前面的吃是一个动词，那么很显然苹果作为名词的概率就会远大于动词的概率，由于动词前面接名词很经常出现，而动词前面接动词很少见。

所认为了处置一些这样相似的疑问，能够更好的处置序列的消息，RNN就降生了。

3.RNN结构

首先看一个便捷的循环神经网络如，它由输入层、一个暗藏层和一个输入层组成：

不知道初学的同窗能够了解这个图吗，反正我刚开局学习的时刻是懵逼的，每个结点究竟代表的是一个值的输入，还是说一层的向量结点汇合，如何暗藏层又可以衔接到自己，等等这些纳闷~这个图是一个比拟形象的图。

咱们如今这样来了解，假设把上方有W的那个带箭头的圈去掉，它就变成了最普通的全衔接神经网络。

x是一个向量，它示意输入层的值（这外面没有画进去示意神经元节点的圆圈）；s是一个向量，它示意暗藏层的值（这里暗藏层面画了一个节点，你也可以构想这一层其实是多个节点，节点数与向量s的维度相反）；

U是输入层到暗藏层的权重矩阵，o也是一个向量，它示意输入层的值；V是暗藏层到输入层的权重矩阵。

那么，如今咱们来看看W是什么。循环神经网络的暗藏层的值s不只仅取决于这次的输入x，还取决于上一次性暗藏层的值s。权重矩阵 W就是暗藏层上一次性的值作为这一次性的输入的权重。

咱们给出这个形象图对应的详细图：

咱们从上图就能够很清楚的看到，上一时辰的暗藏层是如何影响时辰的暗藏层的。

假设咱们把上方的图开展，循环神经网络也可以画成上方这个样子：

如今看下来就比拟清楚了，这个网络在t时辰接纳到输入 之后，暗藏层的值是 ，输入值是 。关键一点是， 的值不只仅取决于 ，还取决于 。咱们可以用上方的公式来示意循环神经网络的计算方法：

用公式示意如下：

4.总结

好了，到这里大略解说了RNN最基本的几个常识点，能够协助大家直观的感触RNN和了解为什么须要RNN，后续总结它的反向求导常识点。

***给出RNN的总括图：