完全图解RNNRNN变体Seq2SeqAttention机制_[#第一枪]

AI科技评论按：本文作者何之源，原文载于知乎专栏AI Insight，AI科技评论获其授权发布。

本文主要是利用图片的形式，详细地介绍了经典的RNN、RNN几个重要变体，以及Seq2Seq模型、Attention机制。希望这篇文章能够提供一个全新的视角，帮助初学者更好地入门。一、从单层网络谈起

在学习RNN之前，首先要了解一下最基本的单层网络，它的结构如图：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/a31f68f3ed9af5d671c964ae95206150.jpg" data-rawwidth="1500" data-rawheight="900" class="origin_image zh-lightbox-thumb" width="1500" data-original="https://pic1.zhimg.com/v2-da9ac1b5e3f91086fd06e6173fed1580_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/a31f68f3ed9af5d671c964ae95206150.jpg"/>

输入是x，经过变换Wx+b和激活函数f得到输出y。相信大家对这个已经非常熟悉了。

二、经典的RNN结构（N vs N）

在实际应用中，我们还会遇到很多序列形的数据：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/84a7d353e5060eff9c5ebe0f2077078b.jpg" data-rawwidth="1690" data-rawheight="300" class="origin_image zh-lightbox-thumb" width="1690" data-original="https://pic3.zhimg.com/v2-0f8f8a8313867459d33e902fed97bd16_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/84a7d353e5060eff9c5ebe0f2077078b.jpg"/>

如：

自然语言处理问题。x1可以看做是第一个单词，x2可以看做是第二个单词，依次类推。

语音处理。此时，x1、x2、x3……是每帧的声音信号。

时间序列问题。例如每天的股票价格等等

序列形的数据就不太好用原始的神经网络处理了。为了建模序列问题，RNN引入了隐状态h（hidden state）的概念，h可以对序列形的数据提取特征，接着再转换为输出。先从h1的计算开始看：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/8c9740c22176ac4b77f940a25ddecaa5.jpg" data-rawwidth="2856" data-rawheight="1110" class="origin_image zh-lightbox-thumb" width="2856" data-original="https://pic1.zhimg.com/v2-a5f8bc30bcc2d9eba7470810cb362850_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/8c9740c22176ac4b77f940a25ddecaa5.jpg"/>

图示中记号的含义是：

圆圈或方块表示的是向量。

一个箭头就表示对该向量做一次变换。如上图中h0和x1分别有一个箭头连接，就表示对h0和x1各做了一次变换。

在很多论文中也会出现类似的记号，初学的时候很容易搞乱，但只要把握住以上两点，就可以比较轻松地理解图示背后的含义。

h2的计算和h1类似。要注意的是，在计算时，每一步使用的参数U、W、b都是一样的，也就是说每个步骤的参数都是共享的，这是RNN的重要特点，一定要牢记。

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/ded387b7b2fb9fbb097aa57e922c3516.jpg" data-rawwidth="3320" data-rawheight="1110" class="origin_image zh-lightbox-thumb" width="3320" data-original="https://pic3.zhimg.com/v2-74d7ac80ca83165092579932920d0ffe_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/ded387b7b2fb9fbb097aa57e922c3516.jpg"/>

依次计算剩下来的（使用相同的参数U、W、b）：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/925af75ac634683dec3ee98325c143c6.jpg" data-rawwidth="2310" data-rawheight="1110" class="origin_image zh-lightbox-thumb" width="2310" data-original="https://pic2.zhimg.com/v2-bc9759f8c642208a0f8514ccd0260b31_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/925af75ac634683dec3ee98325c143c6.jpg"/>

我们这里为了方便起见，只画出序列长度为4的情况，实际上，这个计算过程可以无限地持续下去。

我们目前的RNN还没有输出，得到输出值的方法就是直接通过h进行计算：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/bfecc419973239bbb4ad11a041377165.jpg" data-rawwidth="2740" data-rawheight="1810" class="origin_image zh-lightbox-thumb" width="2740" data-original="https://pic1.zhimg.com/v2-9f3a921d0d5c1313afa58bd3ef53af48_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/bfecc419973239bbb4ad11a041377165.jpg"/>

正如之前所说，一个箭头就表示对对应的向量做一次类似于f(Wx+b)的变换，这里的这个箭头就表示对h1进行一次变换，得到输出y1。

剩下的输出类似进行（使用和y1同样的参数V和c）：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/10d51ec9e8a62caf0e3edcfaced4aae9.jpg" data-rawwidth="2310" data-rawheight="1820" class="origin_image zh-lightbox-thumb" width="2310" data-original="https://pic2.zhimg.com/v2-629abbab0d5cc871db396f17e9c58631_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/10d51ec9e8a62caf0e3edcfaced4aae9.jpg"/>

OK！大功告成！这就是最经典的RNN结构，我们像搭积木一样把它搭好了。它的输入是x1, x2, .....xn，输出为y1, y2, ...yn，也就是说，输入和输出序列必须要是等长的。

由于这个限制的存在，经典RNN的适用范围比较小，但也有一些问题适合用经典的RNN结构建模，如：

计算视频中每一帧的分类标签。因为要对每一帧进行计算，因此输入和输出序列等长。

输入为字符，输出为下一个字符的概率。这就是著名的Char RNN（详细介绍请参考：The Unreasonable Effectiveness of Recurrent Neural Networks，地址：http://karpathy.github.io/2015/05/21/rnn-effectiveness/。Char RNN可以用来生成文章，诗歌，甚至是代码，非常有意思）。

三、N VS 1

有的时候，我们要处理的问题输入是一个序列，输出是一个单独的值而不是序列，应该怎样建模呢？实际上，我们只在最后一个h上进行输出变换就可以了：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/ef46d1946129b206178f912a43f20ef0.jpg" data-rawwidth="2310" data-rawheight="1770" class="origin_image zh-lightbox-thumb" width="2310" data-original="https://pic1.zhimg.com/v2-6caa75392fe47801e605d5e8f2d3a100_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/ef46d1946129b206178f912a43f20ef0.jpg"/>

这种结构通常用来处理序列分类问题。如输入一段文字判别它所属的类别，输入一个句子判断其情感倾向，输入一段视频并判断它的类别等等。

四、1 VS N

输入不是序列而输出为序列的情况怎么处理？我们可以只在序列开始进行输入计算：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/51981bde3476599528c9d116d89e4765.jpg" data-rawwidth="2300" data-rawheight="1800" class="origin_image zh-lightbox-thumb" width="2300" data-original="https://pic3.zhimg.com/v2-87ebd6a82e32e81657682ffa0ba084ee_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/51981bde3476599528c9d116d89e4765.jpg"/>

还有一种结构是把输入信息X作为每个阶段的输入：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/a55bf68ba0e06cbc733343112a924d7a.jpg" data-rawwidth="2310" data-rawheight="1800" class="origin_image zh-lightbox-thumb" width="2310" data-original="https://pic3.zhimg.com/v2-fe054c488bb3a9fbcdfad299b2294266_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/a55bf68ba0e06cbc733343112a924d7a.jpg"/>

下图省略了一些X的圆圈，是一个等价表示：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/eea1fe2434983a3442ee3b817ddb8712.jpg" data-rawwidth="2300" data-rawheight="1990" class="origin_image zh-lightbox-thumb" width="2300" data-original="https://pic1.zhimg.com/v2-16e626b6e99fb1d23c8a54536f7d28dc_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/eea1fe2434983a3442ee3b817ddb8712.jpg"/>

这种1 VS N的结构可以处理的问题有：

从图像生成文字（image caption），此时输入的X就是图像的特征，而输出的y序列就是一段句子

从类别生成语音或音乐等

五、N vs M

下面我们来介绍RNN最重要的一个变种：N vs M。这种结构又叫Encoder-Decoder模型，也可以称之为Seq2Seq模型。

原始的N vs N RNN要求序列等长，然而我们遇到的大部分问题序列都是不等长的，如机器翻译中，源语言和目标语言的句子往往并没有相同的长度。

为此，Encoder-Decoder结构先将输入数据编码成一个上下文向量c：

得到c有多种方式，最简单的方法就是把Encoder的最后一个隐状态赋值给c，还可以对最后的隐状态做一个变换得到c，也可以对所有的隐状态做变换。

拿到c之后，就用另一个RNN网络对其进行解码，这部分RNN网络被称为Decoder。具体做法就是将c当做之前的初始状态h0输入到Decoder中：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/56a82e7ca5e86ac86175e2c5ba9d896d.jpg" data-rawwidth="4510" data-rawheight="1810" class="origin_image zh-lightbox-thumb" width="4510" data-original="https://pic4.zhimg.com/v2-77e8a977fc3d43bec8b05633dc52ff9f_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/56a82e7ca5e86ac86175e2c5ba9d896d.jpg"/>

还有一种做法是将c当做每一步的输入：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/ea5150149ff96e93aa20ffc29895e9fa.jpg" data-rawwidth="4560" data-rawheight="2520" class="origin_image zh-lightbox-thumb" width="4560" data-original="https://pic4.zhimg.com/v2-e0fbb46d897400a384873fc100c442db_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/ea5150149ff96e93aa20ffc29895e9fa.jpg"/>

由于这种Encoder-Decoder结构不限制输入和输出的序列长度，因此应用的范围非常广泛，比如：

机器翻译。Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译领域最先提出的

文本摘要。输入是一段文本序列，输出是这段文本序列的摘要序列。

阅读理解。将输入的文章和问题分别编码，再对其进行解码得到问题的答案。

语音识别。输入是语音信号序列，输出是文字序列。

…………

六、Attention机制

在Encoder-Decoder结构中，Encoder把所有的输入序列都编码成一个统一的语义特征c再解码，因此， c中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。如机器翻译问题，当要翻译的句子较长时，一个c可能存不下那么多信息，就会造成翻译精度的下降。

Attention机制通过在每个时间输入不同的c来解决这个问题，下图是带有Attention机制的Decoder：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/63269dadd354f4ddb911defc9222b142.jpg" data-rawwidth="1830" data-rawheight="1920" class="origin_image zh-lightbox-thumb" width="1830" data-original="https://pic2.zhimg.com/v2-8da16d429d33b0f2705e47af98e66579_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/63269dadd354f4ddb911defc9222b142.jpg"/>

每一个c会自动去选取与当前所要输出的y最合适的上下文信息。具体来说，我们用 衡量Encoder中第j阶段的hj和解码时第i阶段的相关性，最终Decoder中第i阶段的输入的上下文信息 就来自于所有 对 的加权和。

以机器翻译为例（将中文翻译成英文）：

输入的序列是“我爱中国”，因此，Encoder中的h1、h2、h3、h4就可以分别看做是“我”、“爱”、“中”、“国”所代表的信息。在翻译成英语时，第一个上下文c1应该和“我”这个字最相关，因此对应的 就比较大，而相应的 、 、 就比较小。c2应该和“爱”最相关，因此对应的 就比较大。最后的c3和h3、h4最相关，因此 、 的值就比较大。

至此，关于Attention模型，我们就只剩最后一个问题了，那就是：这些权重 aij 是怎么来的？

事实上， aij同样是从模型中学出的，它实际和Decoder的第i-1阶段的隐状态、Encoder第j个阶段的隐状态有关。

同样还是拿上面的机器翻译举例， a1j 的计算（此时箭头就表示对h'和 同时做变换）：

a2j 的计算：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/ca85745b4408ee37228e36ee1aa0f99c.jpg" data-rawwidth="2320" data-rawheight="2070" class="origin_image zh-lightbox-thumb" width="2320" data-original="https://pic1.zhimg.com/v2-50473aa7b1c20d680abf8ca36d82c9e4_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/ca85745b4408ee37228e36ee1aa0f99c.jpg"/>

a3j的计算：

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/7b09ab3ba057357524d8e251ffc4b2ae.jpg" data-rawwidth="2340" data-rawheight="2070" class="origin_image zh-lightbox-thumb" width="2340" data-original="https://pic4.zhimg.com/v2-07f7411c77901a7bd913e55884057a63_r.jpg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/7b09ab3ba057357524d8e251ffc4b2ae.jpg"/>

以上就是带有Attention的Encoder-Decoder模型计算的全过程。

七、总结

本文主要讲了N vs N，N vs 1、1 vs N、N vs M四种经典的RNN模型，以及如何使用Attention结构。希望能对大家有所帮助。

可能有小伙伴发现没有LSTM的内容，其实是因为LSTM从外部看和RNN完全一样，因此上面的所有结构对LSTM都是通用的，想了解LSTM内部结构的可以参考这篇文章：Understanding LSTM Networks（地址：http://colah.github.io/posts/2015-08-Understanding-LSTMs/），写得非常好，推荐阅读。

雷锋网版权文章，未经授权禁止转载。详情见转载须知。

国画

小型砌块成型机图片

二手镜面抛光机图片

VPN设备价格