在前面我們講到了DNN，以及DNN的特例CNN的模型和前向反向傳播算法，這些算法都是前向反饋的，模型的輸出和模型本身沒有關聯關系。今天我們就討論另一類輸出和模型間有反饋的神經網絡：循環神經網絡(Recurrent Neural Networks ，以下簡稱RNN)，它廣泛的用於自然語言處理中的語音識別，手寫書別以及機器翻譯等領域。
1. RNN概述
在前面講到的DNN和CNN中，訓練樣本的輸入和輸出是比較的確定的。但是有一類問題DNN和CNN不好解決，就是訓練樣本輸入是連續的序列,且序列的長短不一，比如基於時間的序列：一段段連續的語音，一段段連續的手寫文字。這些序列比較長，且長度不一，比較難直接的拆分成一個個獨立的樣本來通過DNN/CNN進行訓練。
而對於這類問題，RNN則比較的擅長。那么RNN是怎么做到的呢？RNN假設我們的樣本是基於序列的。比如是從序列索引1到序列索引$\tau$的。對於這其中的任意序列索引號$t$,它對應的輸入是對應的樣本序列中的$x^{(t)}$。而模型在序列索引號$t$位置的隱藏狀態$h^{(t)}$，則由$x^{(t)}$和在$t-1$位置的隱藏狀態$h^{(t-1)}$共同決定。在任意序列索引號$t$，我們也有對應的模型預測輸出$o^{(t)}$。通過預測輸出$o^{(t)}$和訓練序列真實輸出$y^{(t)}$,以及損失函數$L^{(t)}$，我們就可以用DNN類似的方法來訓練模型，接着用來預測測試序列中的一些位置的輸出。
下面我們來看看RNN的模型。
2. RNN模型
RNN模型有比較多的變種，這里介紹最主流的RNN模型結構如下：
上圖中左邊是RNN模型沒有按時間展開的圖，如果按時間序列展開，則是上圖中的右邊部分。我們重點觀察右邊部分的圖。
這幅圖描述了在序列索引號$t$附近RNN的模型。其中：
1）$x^{(t)}$代表在序列索引號$t$時訓練樣本的輸入。同樣的，$x^{(t-1)}$和$x^{(t+1)}$代表在序列索引號$t-1$和$t+1$時訓練樣本的輸入。
2）$h^{(t)}$代表在序列索引號$t$時模型的隱藏狀態。$h^{(t)}$由$x^{(t)}$和$h^{(t-1)}$共同決定。
3）$o^{(t)}$代表在序列索引號$t$時模型的輸出。$o^{(t)}$只由模型當前的隱藏狀態$h^{(t)}$決定。
4）$L^{(t)}$代表在序列索引號$t$時模型的損失函數。
5）$y^{(t)}$代表在序列索引號$t$時訓練樣本序列的真實輸出。
6）$U,W,V$這三個矩陣是我們的模型的線性關系參數，它在整個RNN網絡中是共享的，這點和DNN很不相同。 也正因為是共享了，它體現了RNN的模型的“循環反饋”的思想。
3. RNN前向傳播算法
有了上面的模型，RNN的前向傳播算法就很容易得到了。
對於任意一個序列索引號$t$，我們隱藏狀態$h^{(t)}$由$x^{(t)}$和$h^{(t-1)}$得到：$$h^{(t)} = \sigma(z^{(t)}) = \sigma(Ux^{(t)} + Wh^{(t-1)} +b )$$
其中$\sigma$為RNN的激活函數，一般為$tanh$, $b$為線性關系的偏倚。
序列索引號$t$時模型的輸出$o^{(t)}$的表達式比較簡單：$$o^{(t)} = Vh^{(t)} +c $$
在最終在序列索引號$t$時我們的預測輸出為:$$\hat{y}^{(t)} = \sigma(o^{(t)})$$
通常由於RNN是識別類的分類模型，所以上面這個激活函數一般是softmax。
通過損失函數$L^{(t)}$，比如對數似然損失函數，我們可以量化模型在當前位置的損失，即$\hat{y}^{(t)}$和$y^{(t)}$的差距。
4. RNN反向傳播算法推導
有了RNN前向傳播算法的基礎，就容易推導出RNN反向傳播算法的流程了。RNN反向傳播算法的思路和DNN是一樣的，即通過梯度下降法一輪輪的迭代，得到合適的RNN模型參數$U,W,V,b,c$。由於我們是基於時間反向傳播，所以RNN的反向傳播有時也叫做BPTT(back-propagation through time)。當然這里的BPTT和DNN也有很大的不同點，即這里所有的$U,W,V,b,c$在序列的各個位置是共享的，反向傳播時我們更新的是相同的參數。
為了簡化描述，這里的損失函數我們為交叉熵損失函數，輸出的激活函數為softmax函數，隱藏層的激活函數為tanh函數。
對於RNN，由於我們在序列的每個位置都有損失函數，因此最終的損失$L$為：$$L = \sum\limits_{t=1}^{\tau}L^{(t)}$$
其中$V,c,$的梯度計算是比較簡單的：$$\frac{\partial L}{\partial c} = \sum\limits_{t=1}^{\tau}\frac{\partial L^{(t)}}{\partial c} = \sum\limits_{t=1}^{\tau}\hat{y}^{(t)} - y^{(t)}$$$$\frac{\partial L}{\partial V} =\sum\limits_{t=1}^{\tau}\frac{\partial L^{(t)}}{\partial V} = \sum\limits_{t=1}^{\tau}(\hat{y}^{(t)} - y^{(t)}) (h^{(t)})^T$$
但是$W,U,b$的梯度計算就比較的復雜了。從RNN的模型可以看出，在反向傳播時，在在某一序列位置t的梯度損失由當前位置的輸出對應的梯度損失和序列索引位置$t+1$時的梯度損失兩部分共同決定。對於$W$在某一序列位置t的梯度損失需要反向傳播一步步的計算。我們定義序列索引$t$位置的隱藏狀態的梯度為：$$\delta^{(t)} = \frac{\partial L}{\partial h^{(t)}}$$
這樣我們可以像DNN一樣從$\delta^{(t+1)} $遞推$\delta^{(t)}$ 。$$\delta^{(t)} =(\frac{\partial o^{(t)}}{\partial h^{(t)}} )^T\frac{\partial L}{\partial o^{(t)}} + (\frac{\partial h^{(t+1)}}{\partial h^{(t)}})^T\frac{\partial L}{\partial h^{(t+1)}} = V^T(\hat{y}^{(t)} - y^{(t)}) + W^Tdiag(1-(h^{(t+1)})^2)\delta^{(t+1)}$$
對於$\delta^{(\tau)} $，由於它的后面沒有其他的序列索引了，因此有：$$\delta^{(\tau)} =( \frac{\partial o^{(\tau)}}{\partial h^{(\tau)}})^T\frac{\partial L}{\partial o^{(\tau)}} = V^T(\hat{y}^{(\tau)} - y^{(\tau)})$$
有了$\delta^{(t)} $,計算$W,U,b$就容易了，這里給出$W,U,b$的梯度計算表達式：$$\frac{\partial L}{\partial W} = \sum\limits_{t=1}^{\tau}diag(1-(h^{(t)})^2)\delta^{(t)}(h^{(t-1)})^T$$$$\frac{\partial L}{\partial b}= \sum\limits_{t=1}^{\tau}diag(1-(h^{(t)})^2)\delta^{(t)}$$$$\frac{\partial L}{\partial U} =\sum\limits_{t=1}^{\tau}diag(1-(h^{(t)})^2)\delta^{(t)}(x^{(t)})^T$$
除了梯度表達式不同，RNN的反向傳播算法和DNN區別不大，因此這里就不再重復總結了。
5. RNN小結
上面總結了通用的RNN模型和前向反向傳播算法。當然，有些RNN模型會有些不同，自然前向反向傳播的公式會有些不一樣，但是原理基本類似。
RNN雖然理論上可以很漂亮的解決序列數據的訓練，但是它也像DNN一樣有梯度消失時的問題，當序列很長的時候問題尤其嚴重。因此，上面的RNN模型一般不能直接用於應用領域。在語音識別，手寫書別以及機器翻譯等NLP領域實際應用比較廣泛的是基於RNN模型的一個特例LSTM，下一篇我們就來討論LSTM模型。
（歡迎轉載，轉載請注明出處。歡迎溝通交流：liujianping-ok@163.com）
參考資料：
1） Neural Networks and Deep Learning by By Michael Nielsen
2） Deep Learning, book by Ian Goodfellow, Yoshua Bengio, and Aaron Courville
4）CS231n Convolutional Neural Networks for Visual Recognition, Stanford