关于深度学习:循环神经网络

$CNN $ 的数据表示能力曾经十分强悍了，然而世界是简单的，对于很多数据，如文本，语音，视频，机器翻译等，数据的输出程序十分重要，而卷积是不在乎文本程序的。循环神经网络的每个输出会与它之前或之后的输出存在关联。

$$
h_t = \sigma(W_{ih}x_t + b_{ih} + W_{hh}h_{t-1} +b_{hh})
$$

长处是有肯定的记忆能力，然而随着递归次数的减少，会呈现权重指数级爆炸或者隐没的问题，从而难以捕获长时间的关联，并且导致 $RNN $ 的收敛艰难，因而引出 $LSTM $。

计算过程如下，
MARKDOWN 罕用公式键入语法

$$
\begin{aligned}
i_t &= \sigma(W_{ii}x_t + b_{ii}+W_{hi}h_{t-1}+b_{hi}) \\
f_t &= \sigma(W_{if}x_t + b_{if}+W_{hf}h_{t-1}+b_{hf}) \\
g_t &= \tanh(W_{ig}x_t + b_{ig}+W_{hg}h_{t-1}+b_{hg}) \\
o_t &= \sigma(W_{io}x_t + b_{io}+W_{ho}h_{t-1}+b_{ho}) \\
c_t &= f_t{\times}c_{t-1} + i_t{\times}g_t \\
h_t &= c_t{\times}\tanh(o_t)
\end{aligned}
$$

$i_t,f_t,g_t,o_t $ 别离是输出门、忘记门、抉择门、和输入门。
$LSTM $ 在信息处理方面次要分为三个阶段：

忘记阶段。这个阶段次要是对上一个结点传递进来的输出进行选择性遗记，会“忘记不重要的，记住重要的”。即通过 $f_t $ 的值来管制上一状态 $c_{t-1} $ 中那些须要记住，哪些须要忘记。
抉择记忆阶段。这个阶段将输出 $X_t $ 有抉择的进行“记忆”。哪些重要则着重记忆，哪些不重要的则缩小记录。以后单元的输出内容 $i_t $ 是计算失去的，能够通过 $g_t $ 进行有抉择的输入.
输入阶段。这个阶段将决定哪些会被当成以后状态的输入。次要通过 $o_t $ 进行管制，并且要对 $c_t $ 应用 $tanh $ 函数进行缩放。

RNN 品种

次要依据输出和输入的数量，分为五种，即为一对一，一对多，多对一，多对多，偏置多对多。这个在代码中体现，暂不赘述。

为什么须要循环神经网络

RNN

LSTM

RNN 品种