数据挖掘RNN算法讲课PPT课件

1、目录1：深度学习发展史2：从神经网络到深度学习3：循环神经网络基础1第1页/共30页1：深度学习发展史2第2页/共30页深度学习发展史SVMBoostingDecision treeKNNNeural networkBack propagation19862006Deep belief netScienceSpeech2011 2012Computer visionNLPSpeech 2014Geoffrey Hinton 1949Learning model of neurons1958PerceptronHebbRosenblattGeoffrey Hinton DBNCNNRBMRNN机

2、器学习第一次浪潮：机器学习第二次浪潮浅层学习模型(Shallow Learning)深度学习模型(Deep Learning)First Winter of NNSecond Winter of NN3第3页/共30页synapse dendriteCell bodySynapticterminalsAxon轴突末梢 突触 树突细胞体轴突w1x1xn线性动态系统激励函数own神经元是构成神经网络的最基本单元(构件), 因此, 首要任务是构造人工神经元模型。细胞体Cell body树突dendrite突触synapse轴突Axon来自其它神经元神经元模型4第4页/共30页yyaxo x2x1xn

3、w1w2wnNNxwxwu11uifuifay0w1x1xn激励函数o=f(net)wnnet = WTX)(TnetfoxwXWnetii 典型的激励函数(Activation Function)：线性函数，非线性斜面函数，阶跃函数，S型函数等。神经元模型5第5页/共30页Input LayerHidden LayerOutput Layerx1xMh1hLo1oNw11wm1wM1wmLwMLw1Lv11vl1vL1vLNmmlThhxwXWnetll)(lhlnetfh llnToohvHVnetnn)(nonnetfo 神经网络一般形式 Nonlinearity 非线性 Paralle

4、l Processing 并行处理 InputOutput Mapping 输入输出匹配 Adaptivity 自适应性ocx2x1xnw1w2wnckfonet)net(NNwxwx11net6第6页/共30页2：从神经网络到深度学习7第7页/共30页神经网络深度学习网络相似之处：不同之处：模拟人脑的分层网络结构；强调深度的重要性；突出特征学习的重要性；（逐层抽象）训练机制；8第8页/共30页为什么需要深度？深层网络具有刻画复杂函数的能力9第9页/共30页3：循环神经网络（RNN）10第10页/共30页递归神经网络模型11递归神经网络l吸收了HMM模型的有限序列关联的思想。l神经网络的隐藏层

5、结构能够更好的表达有限的观察值背后的复杂分布。l 递归神经网络（RNN），是两种人工神经网络的总称：l 一种是时间递归神经网络（recurrent neural network）；l 一种是结构递归神经网络（recursive neural network）；第11页/共30页递归神经网络模型12时序扩展第12页/共30页Recurrent Neural Network13l 针对对象：序列数据。例如文本，是字母和词汇的序列；语音，是音节的序列；视频，是图像的序列；气象观测数据，股票交易数据等等，也都是序列数据。l 核心思想：样本间存在顺序关系，每个样本和它之前的样本存在关联。通过神经网络在时

6、序上的展开，我们能够找到样本之间的序列相关性。RNN是一类扩展的人工神经网络，它是为了对序列数据进行建模而产生的。第13页/共30页循环神经网络模型14激活函数lRNN常用的激活函数是tanh和sigmoid。第14页/共30页循环神经网络模型15softmaxlSoftmax函数是sigmoid函数的一个变种，通常我们将其用在多分类任务的输出层，将输入转化成标签的概率。本质就是将一个K维的任意实数向量压缩（映射）成另一个K维的实数向量，其中向量中的每个元素取值都介于（0，1）之间。 第15页/共30页循环神经网络模型16简单循环网络SRN神经元之间的连接权重在时域上不变。第16页/共30页循

7、环神经网络模型17随时间反向传播算法BPTTBP回顾：定义损失函数 E 来表示输出 和真实标签y的误差，通过链式法则自顶向下求得 E 对网络权重的偏导。沿梯度的反方向更新权重的值，直到 E 收敛。BPTT的本质其实和BP很像，就是加上了时序演化。定义权重U，V，W。定义损失函数:我们将整个序列作为一次训练，所以需要对每个时刻的误差进行求和。第17页/共30页循环神经网络模型18随时间反向传播算法BPTT目前的任务是求 E 对于U，V，W 的梯度。定义E对于W 的梯度(U，V 同理):（1）求 E 对于V 的梯度。先求 E3 对于V 的梯度:W VU其中： 求和可得。第18页/共30页其中： 依

8、赖于 ，而 又依赖于 和W ，依赖关系一直传递到 t = 0 的时刻。因此，当我们计算对于W 的偏导数时，不能把 看作是常数项！循环神经网络模型19随时间反向传播算法BPTT（2）求 E 对于W 的梯度。注意，现在情况开始变得复杂起来。先求 E3 对于W 的梯度:W VU当我们求 对于W 的偏导时。注意到： 求和可得。第19页/共30页同样： 依赖于 ，而 又依赖于 和U 。类似求W，当我们计算对于U 的偏导数时，也不能把 看作是常数项！循环神经网络模型20随时间反向传播算法BPTT（3）求 E 对于U 的梯度。情况与W 类似。先求 E3 对于U 的梯度:W VU当我们求 对于W 的偏导时。注

9、意到： 求和可得。第20页/共30页循环神经网络模型21随时间反向传播算法BPTT参数意义: Whv:输入层到隐含层的权重参数，Whh:隐含层到隐含层的权重参数，Woh：隐含层到输出层的权重参数，bh:隐含层的偏移量,bo输出层的偏移量，h0:起始状态的隐含层的输出，一般初始为0。 第21页/共30页递归神经网络模型22随时间反向传播算法BPTT面临的问题：l 梯度消失问题l 梯度爆炸问题解决方案：l 选择其他的激活函数。例如ReLU。l 引入改进网络结构的机制，例如LSTM，GRU。l 现在在自然语言处理上应用十分广的的就是LSTM。第22页/共30页THANKS23LSTM LSTM 网络

10、网络长短期记忆网络通畅叫做”LSTMs”是一种特殊的RNNs， 它能够学习长期依赖。LSTM由Hochreiter&Schmidhuber(1997)引入，后来在很多人的努力下变得越来越精炼和流行第23页/共30页24f t ，i t ，o t 分别为遗忘门、输入门、输出门第24页/共30页25LSTMs的核心过程LSTM的第一步就是决定什么信息应该被神经元遗忘。这是一个被称为“遗忘门层”的Sigmod层组成的。它输入 ht1和xt,然后在Ct1 的每个神经元状态输出01之间的数字。“1”表示“完全保留这个”，“0”表示“完全遗忘这个”。 第25页/共30页26下一步就是决定我们要在神经元细胞中保存什么信息，这包括两个部分。首先，一个被称为“遗忘门层”的Sigmod层决定我们要更新的数值。然后，一个tanh层生成一个新的候选数值，Ct,它会被增加到神经元状态中。第26页/共30页27下一步我们就去做。 我们给旧的状态乘以一个ft,遗忘掉我们之前决定要遗忘的信息，然后我们增加it Ct。这是新的候选值，是由我们想多大程度上更新每个状态的值来度量的。 第27页/共30页28最后，我们要决