详解：递归神经网络和LSTM网络那些事儿

　　下图展示了一个展开的RNN。在左侧，你可以看到等号后展开的RNN。请注意，等号后面没有循环，因为不同的时间步可视化，信息从一个时间步传递到下一个时间步。这个例子也说明了为什么RNN可以被看作是神经网络的一个序列。　　

　　如果随时间反向传播，则需要进行展开的概念化，因为给定时间步的误差取决于先前的时间步。

　　在BPTT中，错误从最后一步反向传播到第一步，同时展开所有时间步。这允许计算每个时间步的误差，允许更新权重。请注意，当拥有大量时间步时，BPTT可能在计算上很昂贵。

　　标准RNN的两个问题

　　RNN存在或不得不处理两大障碍。但要理解它们，你首先需要知道什么是渐变。

　　梯度是相对于其输入的偏导数。如果你不知道这意味着什么，只要想一想就可以了：如果你稍微改变一下输入，梯度就会测量一个函数输出的变化。

　　你也可以将梯度看作函数的斜率。坡度越高，坡度越陡，模型可以学习得越快。但如果斜率为零，模型停止学习。梯度简单地衡量所有权重的变化与错误的变化有关。

　　梯度爆炸

　　当算法赋予权重非常重要时，我们会谈到“梯度爆炸”，没有太多理由。但幸运的是，如果你截断或挤压渐变，则可以轻松解决此问题。

　　消失的梯度

（编辑：衡阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!