北京响应式的网站设计,买域名送网站空间,wordpress登陆页面模板,网站seo优化推推蛙目录 一、RNN的思想 二、RNN的基本结构
网络架构
关键点 三、RNN的前向传播
四、RNN的挑战：梯度爆炸和梯度消失
问题分析
示例推导
五、LSTM：RNN的改进
核心组件
网络架构
3. LSTM 的工作流程
4. 数学公式总结
5. LSTM 的优缺点
优点
缺点
6. LSTM 的…目录 一、RNN的思想
二、RNN的基本结构
网络架构
关键点
三、RNN的前向传播
四、RNN的挑战：梯度爆炸和梯度消失
问题分析
示例推导
五、LSTM：RNN的改进
核心组件
网络架构
3. LSTM 的工作流程
4. 数学公式总结
5. LSTM 的优缺点
优点
缺点
6. LSTM 的变种与改进
1. Peephole LSTM
2. 双向 LSTM
六：GRU
1. GRU 的核心目标
2. GRU 的基本结构
核心组件
网络架构
3. GRU 的工作流程
4. 数学公式总结
5. GRU 的优缺点
优点
缺点
6. GRU 的变种与改进
1. 双向 GRU
2. 带 Peephole 的 GRU 一、RNN的思想
目标: 处理具有 时序关系(时间顺序上的相互联系和依存关系) 的数据（如时间序列、自然语言、语音等）。核心特点: 隐藏状态的传递: 隐藏状态在每个时间步被更新并传递到下一个时间步。记忆能力: 通过隐藏状态捕捉序列中的长期依赖关系。 二、RNN的基本结构
网络架构
一个典型的 RNN 包含以下部分：
输入层 (Xt): 接收当前时间步的输入。隐藏层 (Ht): 公式：Wih: 输入到隐藏层的权重矩阵。Whh: 隐藏层到隐藏层的权重矩阵（核心参数）。bh: 隐藏层偏置项。f: 激活函数（如 Tanh、ReLU）。 输出层 (Yt): 生成当前时间步的输出。 公式：Who: 隐藏层到输出层的权重矩阵。bo: 输出层偏置项。g: 输出激活函数（如 Sigmoid、Softmax）。 关键点
时间步: 数据按顺序依次处理（如单词序列逐词处理）。隐藏状态Ht: 承载序列的历史信息，是 RNN 的“记忆”。三、RNN的前向传播
以序列长度为T的数据为例：
初始化: 初始隐藏状态H0（通常设为全零）。没次增加时间步时，都会增加一个H，用来保证后面的输出和前面的输出有关，乘上的权重代表前面的与后面的相关性大小。迭代计算: 对每个时间步t=1,2,...,T 四、RNN的挑战：梯度爆炸和梯度消失
问题分析
梯度消失: 在长序列中，梯度随时间步指数级衰减（反向传播时多次相乘）。梯度爆炸: 梯度随时间步指数级增长。示例推导
假设简单 RNN 的误差项δt反向传播： 若∣Whh∣1，乘积趋近于零（梯度消失）；若∣Whh∣1，乘积趋近于无穷（梯度爆炸）。反向传播的时候需要对权重连乘，很容易梯度消失或爆炸
五、LSTM：RNN的改进
核心组件
记忆单元（Memory Cell）: 用于存储长期序列中的关键信息。 门控单元: 输入门（Input Gate）: 控制新信息进入记忆单元。遗忘门（Forget Gate）: 控制旧信息从记忆单元中移除。输出门（Output Gate）: 控制记忆单元的信息输出到下一层。
