[机器学习入门] 李宏毅机器学习笔记-33 (Recurrent Neural Network part 2;循环神经网络 part 2)
| VIDEO |
|---|
RNN
Learning Target
cost就是每一个时间点的output与reference的cross entropy的合，就是minimize的对象。
有了这个lost后，training要怎么做呢？
不幸的是，RNN的training是比较困难的，我门期望蓝色的线，可是现实骨感如绿色那条线...
这是一个经常遇到的问题，该方法的作者也有解释。
橙色点的跳跃过程非常震荡，甚至可以飞出去hhh，所以他用工程师的思路来解决该问题，叫做clapping，给gradient设一个最大值，比如当大于15时，都等于15.
为什么RNN会有这种奇特的特性，来自sigmod function？并不是，因为实验表明，ReLu表现的更差一些。
直观地评测，将某参数微小变化，看gradient变化多大。假设输入10000....,在最后一个时刻的output就是w^999,改变w的值，对output有多大影响？
可以看出，gradient非常不好训练，它有high sequent,同一个weight 在不同的时间点会被反复利用。
LSTM就是一种解决该问题的好方法，能够解决过于平坦问题（gradient vanish），但不能解决崎岖问题（gradient explode）。
听说这还还存在几个面试题。
为什么RNN换成LSTM？
因为可以解决gradient vanish 问题。
为什么能解决呢？
如上图，forget gate。
这里有个point，有一种升级版的LSTM叫做Gated Recurrent Unit（GRU），它只有两个gate，参数量是LSTM的一半，所以如果LSTM 过拟合可以考虑这种方法。（原理是将input合output gate 关联）
还有一些其他方法。
其实RNN有很多应用，在上面slot filling 中，input 和output 是同数量的。
其他应用：
Sentiment Analysis
情感分析，negative positive
Key Term Extraction
关键字抽取
Speech Recognition
语音辨识
哈哈哈，关于上面triming方法的语音辨识没法区分‘好棒’和‘好棒棒’，还有方法来解决它，叫做，Conntctionist Temporal Classification（CTC），就是加了一个符号，来表示没有任何东西。
CTC怎么训练呢？
CTC 取得的结果
传说，Google的语音系统已经全面换成CTC了。
Machine Translation
还有一个神奇的应用是机器翻译，把RNN一串input读过去，在最后一个时间点memory中存的就是all information about input sequence。
就像推文接龙一样。
而它什么时候能停下来呢？ 当推出‘断’就停。
在RNN中也可以这样做。
在翻译上，这个是很奏效的。
下图是Google 的研究成果，input一种语言的文字，output另一种语言的文字，同理能否input语音，output另一种语音做到语音翻译呢？比如台语转英语的翻译，只需要搜集台语的声音讯号和英文翻译就可以了，而不需要台语语音辨识的文字结果。
Beyond Sequence
那么这种sequence to sequence 的方法还可以用于Syntactic parsing 句法分析上，得到树桩结构。
这一篇内容很多啦～part 3 续
