淺析循環(huán)神經(jīng)網(wǎng)絡的概念、變體及應用

數(shù)據(jù)科學家James Le以語言建模為背景，介紹了RNN的概念、變體、應用。

介紹

我大三有一學期去丹麥的哥本哈根交流。我之前沒去過歐洲，去丹麥交流，讓我有機會浸入新文化，遇到新人群，去新地方旅行，以及最重要的，接觸新語言。我為此極度興奮。盡管英語不是我的母語（我的母語是越南語），但我很小的時候就開始學說英語了，它已經(jīng)成為我的第二本能。而丹麥語則極為復雜，句法結構大不相同，語法也很不一樣。我在出發(fā)前通過多鄰國應用學了一點丹麥語；不過，我只掌握了一些簡單的短語，像是你好（Hej）和早上好（God Morgen）。

到了丹麥之后，我需要去便利店買吃的。但是那里的標簽都是丹麥文，我沒法分辨。我花了大概半小時都沒能分清哪個是全麥面包，哪個是白面包。這時我突然想起不久前我在手機上安裝了谷歌翻譯應用。我拿出手機，打開應用，將相機對準標簽……哇，丹麥單詞立刻翻譯成了英文。我發(fā)現(xiàn)谷歌翻譯可以翻譯任何相機攝入的單詞，不管是路牌，還是飯館菜單，甚至手寫數(shù)字。不用說了，在我交流學習期間，這個應用為我節(jié)省了大量時間。

谷歌翻譯是谷歌的自然語言處理研究組開發(fā)的產品。這個小組專注于大規(guī)模應用的跨語言、跨領域算法。他們的工作包括傳統(tǒng)的NLP任務，以及專門系統(tǒng)的通用語法和語義算法。

從更高的層面來看，NLP位于計算機科學、人工智能、語言學的交匯之處。NLP的目標是處理或“理解”自然語言，以便執(zhí)行有用的任務，例如情緒分析、語言翻譯、問題解答。完全理解和表示語言的含義是一項非常艱巨的目標；因此人們估計，完美理解自然語言需要AI完備系統(tǒng)。NLP的第一步是語言建模。

語言建模

語言建模的任務是預測下一個出現(xiàn)的單詞是什么。例如，給定句子“I am writing a ……”（我正在寫），下一個單詞可能是“l(fā)etter”（信）、“sentence”（句子）、“blog post”（博客文章）……更形式化地說，給定單詞序列x1, x2, …, xt，語言模型計算下一個單詞xt+1的概率分布。

最基礎的語言模型是n元語法模型。n元語法是n個連續(xù)單詞。例如，給定句子“I am writing a ……”，那么相應的n元語法是：

單元語法：“I”, “am”, “writing”, “a”

二元語法：“I am”, “am writing”, “writing a”

三元語法：“I am writing”, “am writing a”

四元語法：“I am writing a”

n元語法語言建模的基本思路是收集關于不同的n元語法使用頻率的統(tǒng)計數(shù)據(jù)，并據(jù)此預測下一單詞。然而，n元語法語言建模存在稀疏問題，我們無法在語料庫中觀測到足夠的數(shù)據(jù)以精確建模語言（特別是當n增加時）。

神經(jīng)概率語言模型的網(wǎng)絡架構概覽（來源：Synced）

不同于n元語法方法，我們可以嘗試基于窗口的神經(jīng)語言模型，例如前饋神經(jīng)概率語言模型和循環(huán)神經(jīng)網(wǎng)絡語言模型。這一方法將單詞表示為向量（詞嵌入），將詞嵌入作為神經(jīng)語言模型的輸入，從而解決了數(shù)據(jù)稀疏問題。參數(shù)在訓練過程中學習。詞嵌入通過神經(jīng)語言模型得到，語義相近的單詞在嵌入向量空間中更靠近。此外，循環(huán)神經(jīng)語言模型也能捕捉句子層面、語料庫層面、單詞內部的上下文信息。

循環(huán)神經(jīng)網(wǎng)絡語言模型

RNN背后的想法是利用序列化信息。RNN一名中有循環(huán)（recurrent）這個單詞，這是因為RNN在序列中的每個元素上執(zhí)行相同的任務，其輸出取決于之前的計算。理論上，RNN可以利用任意長度序列中的信息，但經(jīng)驗告訴我們，RNN只限于回顧若干步。這一能力使得RNN可以解決識別連寫筆跡或語音之類的任務。

讓我們嘗試類比一下。假設你看了最近的《復仇者聯(lián)盟3：無限戰(zhàn)爭》（順便提一下，這是一部現(xiàn)象級電影）。其中有許多超級英雄，有多條故事線，缺乏漫威電影宇宙的先驗知識的觀眾可能感到迷惑。然而，如果你按順序看過之前的漫威系列（鋼鐵俠、雷神、美國隊長、銀河護衛(wèi)隊），那你就有了上下文可以正確地將所有情節(jié)聯(lián)系起來。這意味著你記住你看過的東西以理解《無限戰(zhàn)爭》中的混沌。

無限戰(zhàn)爭（圖片來源：digitalspy.com）

類似地，RNN記得一切。其他神經(jīng)網(wǎng)絡中，所有輸入都是彼此獨立的。但在RNN中，所有的輸入都彼此相關。比方說你需要預測給定句子的下一個單詞，所以之前單詞之間的關系有助于預測更好的輸出。換句話說，RNN在訓練自身時記住一切關系。

RNN通過簡單的循環(huán)記住從之前的輸入中學到的東西。該循環(huán)接受上一時刻的信息，并將它附加到當前時刻的輸入上。下圖顯示了基本的RNN結構。在某一具體時步t，Xt是網(wǎng)絡的輸入，ht是網(wǎng)絡的輸出。A是一個RNN單元，其中包含類似前饋網(wǎng)絡的神經(jīng)網(wǎng)絡。

圖片來源：colah.github.io

這一循環(huán)結構讓神經(jīng)網(wǎng)絡可以接受輸入序列。下面的展開圖有助于你更好地理解RNN：

圖片來源：colah.github.io

首先，RNN接受輸入序列中的X0，接著輸出h0，h0和X1一起作為下一步的輸入。接著，下一步得到的h1和X2一起作為再下一步的輸入，以此類推。這樣，RNN在訓練時得以保留上下文的記憶。

如果你偏愛數(shù)學，許多RNN使用下面的等式定義隱藏單元的值：

圖片來源：lingvo-masino

其中，ht是t時刻的隱藏狀態(tài)，?是激活函數(shù)（Tanh或Sigmoid），W是輸入到t時刻的隱藏層的權重矩陣，U是t-1時刻的隱藏層到t時刻的隱藏層的權重矩陣，ht-1是t時刻的隱藏狀態(tài)。

RNN在訓練階段通過反向傳播學習U和W。這些權重決定了之前時刻的隱藏狀態(tài)和當前輸入的重要性?；旧?，它們決定了生成當前輸出時，隱藏狀態(tài)和當前輸入所起到的作用。激活函數(shù)?給RNN加上了非線性，從而簡化了進行反向傳播時的梯度計算。

RNN的劣勢

RNN不是完美的。它有一個重大缺陷，稱為梯度消失問題，阻止它取得高精確度。隨著上下文長度的增加，展開的RNN中的網(wǎng)絡層也增加了。因此，隨著網(wǎng)絡的加深，反向傳播中由后往前傳播的梯度變得越來越小。學習率變得很低，期望這樣的模型學習到語言的長期依賴不太現(xiàn)實。換句話說，RNN在記憶序列中很久之前出現(xiàn)的單詞上遇到了困難，只能基于最近的一些單詞做出預測。

圖片來源：anishsingh20

RNN的擴展

這些年來，研究人員研發(fā)了更復雜的RNN變體，以應對標準RNN模型的不足。讓我們簡短地總結以下其中最重要的一些變體：

雙向RNN不過是堆疊組合了2個RNN。雙向RNN的輸出基于2個RNN的隱藏狀態(tài)得出。背后的直覺是輸出可能不僅取決于序列中之前的元素，還取決于未來的元素。

長短時記憶網(wǎng)絡（LSTM）現(xiàn)在相當流行。LSTM繼承了標準RNN的架構，在隱藏狀態(tài)上做了改動。LSTM的記憶（稱為單元）接受之前的狀態(tài)和當前輸入作為輸入。在LSTM內部，這些單元決定哪些信息保留在記憶中，哪些信息從記憶移除。接著，LSTM組合之前狀態(tài)、當前記憶和輸入。這一過程有效解決了梯度消失問題。

門控循環(huán)單元網(wǎng)絡（GRU）擴展了LSTM，通過門控網(wǎng)絡生成信號以控制當前輸入和之前記憶如何工作以更新當前激活，以及當前網(wǎng)絡狀態(tài)。閥門自身的權重根據(jù)算法選擇更新。

神經(jīng)圖靈機通過結合外部記憶資源擴展了標準RNN的能力，模型可以通過注意力過程與外部記憶資源交互。就像阿蘭·圖靈的圖靈機，有限狀態(tài)機和無限存儲紙帶。

使用RNN語言模型生成文本的有趣例子

好了，現(xiàn)在讓我們來看一些使用循環(huán)神經(jīng)網(wǎng)絡生成文本的有趣例子：

Obama-RNN（機器生成的政治演說）：這里作者使用RNN生成了模仿奧巴馬的政治演說。模型使用奧巴馬演講稿（4.3 MB / 730895單詞）作為輸入，生成了多個版本的演說，主題廣泛，包括就業(yè)、反恐戰(zhàn)爭、民主、中國……極其滑稽！

Harry Potter（AI撰寫的《哈利波特》）：在《哈利波特》的前4部上訓練LSTM循環(huán)神經(jīng)網(wǎng)絡，然后根據(jù)所學生成一個新章節(jié)。去看看吧。我打賭即使JK羅琳也會對此印象深刻的。

Seinfeld Scripts（計算機版本的《宋飛正傳》）：使用第3季的劇本作為輸入，生成了關于主角的3頁劇本。生成的劇本風格奇特，提問浮夸，充斥各種術語——和《宋飛正傳》的風格相匹配。

RNN的真實世界應用

RNN的美妙之處在于應用的多樣性。我們使用RNN的時候，可以處理多種多樣的輸入和輸出。讓我們重新回顧下開頭提到的谷歌翻譯的例子。這是神經(jīng)機器翻譯的一個例子，通過一個巨大的循環(huán)神經(jīng)網(wǎng)絡建模語言翻譯。這類似語言建模，輸入是源語言的單詞序列，輸出是目標語言的單詞序列。

圖片來源：sdl.com

標準的神經(jīng)機器翻譯是一個端到端的神經(jīng)網(wǎng)絡，其中源語言的句子由一個RNN編碼（稱為編碼器），另一個RNN預測目標單詞（稱為解碼器）。RNN編碼器逐符號地讀取源語言的句子，并在最后的隱藏狀態(tài)中總結整個句子。RNN解碼器通過反向傳播學習這一總結，并返回翻譯好的版本。

機器翻譯方面的一些論文：

A Recursive Recurrent Neural Network for Statistical Machine Translation（用于統(tǒng)計機器翻譯的遞歸循環(huán)神經(jīng)網(wǎng)絡，微軟亞研院和中科大聯(lián)合研究）

Sequence to Sequence Learning with Neural Networks（神經(jīng)網(wǎng)絡的序列到序列學習，谷歌）

Joint Language and Translation Modeling with Recurrent Neural Networks（循環(huán)神經(jīng)網(wǎng)絡的語言、翻譯聯(lián)合建模，微軟研究院）

除了之前討論的語言建模和機器翻譯，RNN在其他一些自然語言處理任務中也取得了巨大的成功：

1 情感分析一個簡單的例子是分類推特上的推文（積極、消極）。

情感分析方面的論文：

Benchmarking Multimodal Sentiment Analysis（多模態(tài)情感分析評測，新加坡NTU、印度NIT、英國斯特林大學聯(lián)合研究）

2 圖像說明

搭配卷積神經(jīng)網(wǎng)絡，RNN可以用于為沒有標注的圖像生成描述的模型。給定需要文本描述的圖像，輸出是單詞組成的序列或句子。輸入的尺寸也許是固定的，但輸出長度是可變的。

關于圖像說明的論文：

Explain Images with Multimodal Recurrent Neural Networks（使用多模態(tài)循環(huán)神經(jīng)網(wǎng)絡解釋圖像，百度研究院、UCLA聯(lián)合研究）

Long-Term Recurrent Convolutional Networks for Visual Recognition and Description（用于視覺識別和描述的長期循環(huán)卷積網(wǎng)絡，伯克利）

Show and Tell: A Neural Image Caption Generator（看圖說話：神經(jīng)圖像說明生成器，谷歌）

Deep Visual-Semantic Alignments for Generating Image Descriptions（用于生成圖像說明的深度視覺-語義對齊，斯坦福）

Translating Videos to Natural Language Using Deep Recurrent Neural Networks（基于深度循環(huán)神經(jīng)網(wǎng)絡翻譯視頻至自然語言，德州大學、麻省大學洛威爾分校、伯克利聯(lián)合研究）

YouTube自動生成的字幕；圖片來源：filmora.wondershare.com/vlogger

3 語音識別

比如SoundHound和Shazam這樣的聽音識曲應用。

語音識別方面的論文：

Sequence Transduction with Recurrent Neural Networks（基于循環(huán)神經(jīng)網(wǎng)絡的序列轉換，多倫多大學）

Long Short-Term Memory Recurrent Neural Network Architectures for Large-Scale Acoustic Modeling（用于大規(guī)模聲學建模的長短期記憶循環(huán)網(wǎng)絡架構，谷歌）

Towards End-to-End Speech Recognition with Recurrent Neural Networks（通向端到端語音識別的循環(huán)神經(jīng)網(wǎng)絡，DeepMind、多倫多大學聯(lián)合研究）

Shazam應用

結語

復習一下本文的關鍵點：

語言建模是一個預測下一個單詞的系統(tǒng)。它是一個可以幫助我們衡量我們在語言理解領域的進展的基準任務，同時也是其他自然語言處理系統(tǒng)（比如機器翻譯、文本總結、語音識別）的子部件。

循環(huán)神經(jīng)網(wǎng)絡接受任意長度的序列化輸入，在每一步應用相同的權重，并且可以在每步生成輸出（可選）。總體上來說，RNN是一個構建語言模型的出色方法。

此外，RNN還可以用于句子分類、詞性標記、問題回答……

順便提一下，你看了今年的Google I/O大會嗎？谷歌基本上已經(jīng)成了一家AI優(yōu)先的公司。谷歌引入的出類拔萃的AI系統(tǒng)之一是Duplex，一個可以通過電話完成真實世界任務的系統(tǒng)。接收完成特定任務的指示（例如安排預約）后，Duplex可以和電話另一頭的人自然地對話。

Duplex的核心是基于TFX構建的RNN，在匿名化的電話交談數(shù)據(jù)語料庫上訓練，以達到高準確率。RNN利用了谷歌的自動語音識別技術的輸出、音頻的特征、談話的歷史、談話的參數(shù)等信息。而TFX的超參數(shù)優(yōu)化進一步改善了模型。

很好，AI對話的未來已經(jīng)取得了第一個重大突破。這一切都要感謝語言建模的發(fā)電廠，循環(huán)神經(jīng)網(wǎng)絡。