这是本文档旧的修订版！
第七章 循环神经网络
1. 概念定义与原理讲解
1.1 序列数据与循环神经网络
序列数据的特性：
序列数据是指数据点之间存在时间或顺序依赖关系的数据，与自然语言、时间序列、音频、视频等密切相关。序列数据的核心特点是：
1. 变长性：序列长度不固定 2. 顺序性：数据点的顺序包含重要信息 3. 依赖性：当前状态依赖于历史状态
传统神经网络的局限：
前馈神经网络（FNN）和卷积神经网络（CNN）处理固定尺寸输入，难以直接建模序列依赖关系。传统方法如N-gram模型、隐马尔可夫模型（HMM）存在维度灾难或表达能力有限的问题。
循环神经网络的诞生：
循环神经网络（Recurrent Neural Network，RNN）是一类专门设计用于处理序列数据的神经网络。其核心思想是引入“循环”连接，使网络具有记忆能力，能够捕捉序列中的时序依赖关系。
1.2 RNN的基本结构
1.2.1 网络结构
RNN的核心是一个循环单元，其隐藏状态$h_t$由当前输入$x_t$和上一时刻的隐藏状态$h_{t-1}$共同决定：
$$h_t = f(W_{hh} h_{t-1} + W_{xh} x_t + b_h)$$
$$y_t = g(W_{hy} h_t + b_y)$$
其中： - $x_t$：时刻$t$的输入 - $h_t$：时刻$t$的隐藏状态 - $y_t$：时刻$t$的输出 - $W_{hh}, W_{xh}, W_{hy}$：权重矩阵 - $b_h, b_y$：偏置向量 - $f, g$：激活函数（通常$f$为tanh或ReLU，$g$依任务而定）
1.2.2 展开表示
RNN可以按时间步展开为前馈网络的共享参数形式：
``` x_1 → [RNN Cell] → h_1 → [RNN Cell] → h_2 → … → h_T
↑ ↑
h_0 h_1
```
这种展开方式使得可以使用反向传播算法进行训练，称为时间反向传播（Backpropagation Through Time，BPTT）。
1.2.3 参数共享
RNN在不同时间步共享相同的参数（$W_{hh}, W_{xh}, W_{hy}$），这使得模型能够： - 处理任意长度的序列 - 减少参数量 - 学习时序不变的特征
1.3 RNN的变体与应用模式
1.3.1 应用模式
根据输入输出结构，RNN有多种应用模式：
| 模式 | 输入 | 输出 | 应用示例 |
| —— | —— | —— | ———- |
| 一对多 | 固定向量 | 序列 | 图像描述生成 |
| 多对一 | 序列 | 固定向量 | 情感分析、文本分类 |
| 多对多（同步） | 序列 | 序列（同长） | 命名实体识别、语音识别 |
| 多对多（异步） | 序列 | 序列（不同长） | 机器翻译、Seq2Seq |
1.3.2 双向RNN（Bidirectional RNN）
标准RNN只利用过去的信息，双向RNN同时利用过去和未来的信息：
$$\overrightarrow{h}_t = f(W_{xh}^f x_t + W_{hh}^f \overrightarrow{h}_{t-1} + b_h^f)$$
$$\overleftarrow{h}_t = f(W_{xh}^b x_t + W_{hh}^b \overleftarrow{h}_{t+1} + b_h^b)$$
$$h_t = [\overrightarrow{h}_t; \overleftarrow{h}_t]$$
双向RNN通过正向和反向两个RNN分别捕获前向和后向上下文，适用于需要全局上下文的任务。
1.3.3 深度RNN
通过堆叠多个RNN层来增加模型深度：
$$h_t^{(l)} = f(W_{hh}^{(l)} h_{t-1}^{(l)} + W_{xh}^{(l)} h_t^{(l-1)} + b_h^{(l)})$$
深度RNN能够学习更复杂的层次化时序特征，但训练难度也相应增加。
1.4 RNN的训练挑战
1.4.1 梯度消失与梯度爆炸
BPTT中的梯度传播：
$$\frac{\partial L}{\partial W} = \sum_{t=1}^T \frac{\partial L_t}{\partial W}$$
其中涉及连乘项：
$$\frac{\partial h_T}{\partial h_1} = \prod_{t=2}^T \frac{\partial h_t}{\partial h_{t-1}} = \prod_{t=2}^T W_{hh}^T \cdot \text{diag}(f'(h_{t-1}))$$
梯度消失问题： - 当特征值小于1时，连乘导致梯度指数级减小 - 长期依赖关系难以学习 - tanh和sigmoid的导数最大值为1，更容易出现此问题
梯度爆炸问题： - 当特征值大于1时，连乘导致梯度指数级增长 - 参数更新不稳定，可能溢出
1.4.2 解决方案
梯度裁剪（Gradient Clipping）：
解决梯度爆炸的简单有效方法：
$$\text{if } ||g|| > \text{threshold}: g = \frac{\text{threshold}}{||g||} \cdot g$$
截断BPTT（Truncated BPTT）：
限制反向传播的时间步数，降低计算开销和梯度消失影响。
更好的激活函数：
使用ReLU或 leaky ReLU 替代tanh/sigmoid。
1.5 长短期记忆网络（LSTM）
1.5.1 LSTM的动机
LSTM（Long Short-Term Memory）由Hochreiter和Schmidhuber于1997年提出，专门设计用于解决RNN的长期依赖问题。
核心思想：引入门控机制，显式控制信息的流动和记忆。
1.5.2 LSTM的结构
LSTM通过三个门和一个记忆单元实现精细的信息控制：
遗忘门（Forget Gate）： $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$
决定从细胞状态中丢弃什么信息。
输入门（Input Gate）： $$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$ $$\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$$
决定哪些新信息存入细胞状态。
细胞状态更新（Cell State）： $$C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t$$
细胞状态是LSTM的核心，类似传送带，信息可以相对 unchanged 地流动。
输出门（Output Gate）： $$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$$ $$h_t = o_t \odot \tanh(C_t)$$
决定输出什么信息。
1.5.3 LSTM的变体
Peephole连接： 让门控信号能够“窥视”细胞状态： $$f_t = \sigma(W_f \cdot [C_{t-1}, h_{t-1}, x_t] + b_f)$$
耦合遗忘门和输入门： $$f_t = 1 - i_t$$
GRU（Gated Recurrent Unit）：
Cho等人于2014年提出，简化LSTM结构：
重置门： $$r_t = \sigma(W_r \cdot [h_{t-1}, x_t])$$
更新门： $$z_t = \sigma(W_z \cdot [h_{t-1}, x_t])$$
候选状态： $$\tilde{h}_t = \tanh(W \cdot [r_t \odot h_{t-1}, x_t])$$
状态更新： $$h_t = (1 - z_t) \odot h_{t-1} + z_t \odot \tilde{h}_t$$
GRU将遗忘门和输入门合并为更新门，将细胞状态和隐藏状态合并，参数量更少，计算更快。
1.6 序列到序列模型（Seq2Seq）
1.6.1 编码器-解码器架构
Seq2Seq模型由编码器和解码器两部分组成：
编码器（Encoder）： 将输入序列$(x_1, x_2, ..., x_T)$编码为固定长度的上下文向量$c$： $$h_t = f(x_t, h_{t-1})$$ $$c = q(\{h_1, h_2, ..., h_T\})$$
通常$q$取最后时刻的隐藏状态：$c = h_T$。
解码器（Decoder）： 根据上下文向量$c$生成输出序列： $$s_t = f(y_{t-1}, s_{t-1}, c)$$ $$y_t = g(s_t, c)$$
1.6.2 注意力机制
传统Seq2Seq的瓶颈在于固定长度的上下文向量。注意力机制允许解码器动态关注输入序列的不同部分：
注意力权重： $$e_{tj} = a(s_{t-1}, h_j)$$ $$\alpha_{tj} = \frac{\exp(e_{tj})}{\sum_{k=1}^T \exp(e_{tk})}$$
上下文向量： $$c_t = \sum_{j=1}^T \alpha_{tj} h_j$$
注意力机制解决了长序列的信息瓶颈问题，是Transformer架构的前身。
1.7 RNN的应用
1.7.1 自然语言处理
- 语言建模：预测下一个词的概率$P(w_t|w_1, ..., w_{t-1})$ - 机器翻译：Seq2Seq + Attention - 文本摘要：抽取式或生成式摘要 - 情感分析：多对一分类 - 命名实体识别：序列标注
1.7.2 语音识别
- 声学模型：将音频特征映射到音素 - CTC（Connectionist Temporal Classification）：处理输入输出对齐
1.7.3 时间序列预测
- 股票价格预测 - 天气预测 - 设备故障预测
1.7.4 其他应用
- 视频分析 - 音乐生成 - 手写识别
1.8 RNN的局限与替代方案
1.8.1 RNN的局限
1. 顺序计算限制：难以并行化 2. 长距离依赖：即使LSTM也难以捕捉非常长的依赖 3. 计算效率：逐时间步计算，速度慢 4. 梯度问题：深层堆叠时仍面临梯度问题
1.8.2 Transformer的崛起
Transformer完全基于注意力机制，摒弃了循环结构： - 完全并行计算 - 捕捉任意距离的依赖关系 - 在大规模数据上表现优异
1.8.3 现代发展趋势
1. RNN与Transformer混合：Reformer、Transformer-XL 2. 结构化稀疏注意力：降低Transformer复杂度 3. 状态空间模型（SSM）：Mamba等，结合RNN和CNN优点
2. 例题分析
例题1：RNN前向传播计算
题目：考虑一个简单的RNN单元，输入维度为2，隐藏状态维度为3。给定： - $W_{xh} = \begin{bmatrix} 0.1 & 0.2 \\ 0.3 & 0.4 \\ 0.5 & 0.6 \end{bmatrix}$ - $W_{hh} = \begin{bmatrix} 0.1 & 0.2 & 0.3 \\ 0.4 & 0.5 & 0.6 \\ 0.7 & 0.8 & 0.9 \end{bmatrix}$ - $b_h = \begin{bmatrix} 0.1 \\ 0.2 \\ 0.3 \end{bmatrix}$ - 初始隐藏状态$h_0 = \begin{bmatrix} 0 \\ 0 \\ 0 \end{bmatrix}$ - 输入序列：$x_1 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$，$x_2 = \begin{bmatrix} 0.5 \\ 0.5 \end{bmatrix}$
使用tanh激活函数，计算$h_1$和$h_2$。
分析过程：
计算$h_1$：
首先计算线性组合： $$z_1 = W_{xh} x_1 + W_{hh} h_0 + b_h$$
$$W_{xh} x_1 = \begin{bmatrix} 0.1 & 0.2 \\ 0.3 & 0.4 \\ 0.5 & 0.6 \end{bmatrix} \begin{bmatrix} 1 \\ 1 \end{bmatrix} = \begin{bmatrix} 0.3 \\ 0.7 \\ 1.1 \end{bmatrix}$$
$$W_{hh} h_0 = \begin{bmatrix} 0 \\ 0 \\ 0 \end{bmatrix}$$
$$z_1 = \begin{bmatrix} 0.3 \\ 0.7 \\ 1.1 \end{bmatrix} + \begin{bmatrix} 0 \\ 0 \\ 0 \end{bmatrix} + \begin{bmatrix} 0.1 \\ 0.2 \\ 0.3 \end{bmatrix} = \begin{bmatrix} 0.4 \\ 0.9 \\ 1.4 \end{bmatrix}$$
应用tanh激活： $$h_1 = \tanh(z_1) = \begin{bmatrix} \tanh(0.4) \\ \tanh(0.9) \\ \tanh(1.4) \end{bmatrix} \approx \begin{bmatrix} 0.380 \\ 0.716 \\ 0.885 \end{bmatrix}$$
计算$h_2$：
$$W_{xh} x_2 = \begin{bmatrix} 0.1 & 0.2 \\ 0.3 & 0.4 \\ 0.5 & 0.6 \end{bmatrix} \begin{bmatrix} 0.5 \\ 0.5 \end{bmatrix} = \begin{bmatrix} 0.15 \\ 0.35 \\ 0.55 \end{bmatrix}$$
$$W_{hh} h_1 = \begin{bmatrix} 0.1 & 0.2 & 0.3 \\ 0.4 & 0.5 & 0.6 \\ 0.7 & 0.8 & 0.9 \end{bmatrix} \begin{bmatrix} 0.380 \\ 0.716 \\ 0.885 \end{bmatrix}$$
$$= \begin{bmatrix} 0.038 + 0.143 + 0.266 \\ 0.152 + 0.358 + 0.531 \\ 0.266 + 0.573 + 0.797 \end{bmatrix} = \begin{bmatrix} 0.447 \\ 1.041 \\ 1.636 \end{bmatrix}$$
$$z_2 = \begin{bmatrix} 0.15 \\ 0.35 \\ 0.55 \end{bmatrix} + \begin{bmatrix} 0.447 \\ 1.041 \\ 1.636 \end{bmatrix} + \begin{bmatrix} 0.1 \\ 0.2 \\ 0.3 \end{bmatrix} = \begin{bmatrix} 0.697 \\ 1.591 \\ 2.486 \end{bmatrix}$$
$$h_2 = \tanh(z_2) \approx \begin{bmatrix} 0.602 \\ 0.918 \\ 0.986 \end{bmatrix}$$
结论： - $h_1 \approx [0.380, 0.716, 0.885]^T$ - $h_2 \approx [0.602, 0.918, 0.986]^T$
例题2：LSTM门控机制分析
题目：分析LSTM的门控机制。假设在一个时间步： - 上一时刻细胞状态$C_{t-1} = 5$ - 遗忘门输出$f_t = 0.1$ - 输入门输出$i_t = 0.9$ - 候选状态$\tilde{C}_t = 0.5$
(1) 计算新的细胞状态$C_t$ (2) 分析遗忘门接近0和接近1时的不同行为 (3) 说明为什么LSTM能解决梯度消失问题
分析过程：
(1) 计算$C_t$
根据LSTM细胞状态更新公式： $$C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t$$
代入数值： $$C_t = 0.1 \times 5 + 0.9 \times 0.5$$ $$= 0.5 + 0.45$$ $$= 0.95$$
(2) 遗忘门的行为分析
情况A：$f_t \approx 0$ - 遗忘门关闭，丢弃大部分历史信息 - $C_t \approx i_t \odot \tilde{C}_t$ - 细胞状态主要由当前输入决定 - 用于“遗忘”不再相关的历史信息
情况B：$f_t \approx 1$ - 遗忘门打开，保留历史信息 - $C_t \approx C_{t-1} + i_t \odot \tilde{C}_t$ - 历史信息可以几乎无损耗地传递 - 用于长期记忆的保持
示例： - 在语言模型中，遇到句号时遗忘门应较低，重置上下文 - 在描述同一人/物时遗忘门应较高，保持信息连续性
(3) 解决梯度消失的原因
LSTM解决梯度消失的关键在于细胞状态的加法更新机制：
$$C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t$$
导数分析： $$\frac{\partial C_t}{\partial C_{t-1}} = f_t$$
当$f_t \approx 1$时，梯度可以在时间步之间几乎无损传播： $$\frac{\partial C_T}{\partial C_1} = \prod_{t=2}^T f_t \approx 1$$
相比之下，标准RNN使用乘法更新： $$h_t = \tanh(W_{hh} h_{t-1} + W_{xh} x_t)$$
梯度包含 Jacobian 矩阵的连乘，容易指数衰减或爆炸。
实际意义： LSTM可以学习在需要时保持细胞状态不变（$f_t=1, i_t=0$），形成信息的高速公路，跨越数百个时间步传播梯度。
例题3：Seq2Seq注意力权重计算
题目：在Seq2Seq模型中，解码器当前状态$s_{t-1} = [1, 0]$，编码器隐藏状态为： - $h_1 = [1, 1]$，$h_2 = [2, 0]$，$h_3 = [0, 2]$
使用点积注意力（Dot-Product Attention），计算注意力权重。
分析过程：
步骤1：计算注意力分数（点积）
$$e_{tj} = s_{t-1} \cdot h_j$$
$$e_{t1} = [1, 0] \cdot [1, 1] = 1 \times 1 + 0 \times 1 = 1$$
$$e_{t2} = [1, 0] \cdot [2, 0] = 1 \times 2 + 0 \times 0 = 2$$
$$e_{t3} = [1, 0] \cdot [0, 2] = 1 \times 0 + 0 \times 2 = 0$$
步骤2：Softmax归一化
$$\alpha_{tj} = \frac{\exp(e_{tj})}{\sum_{k=1}^3 \exp(e_{tk})}$$
计算分母： $$\sum_{k=1}^3 \exp(e_{tk}) = \exp(1) + \exp(2) + \exp(0)$$ $$= 2.718 + 7.389 + 1$$ $$= 11.107$$
计算权重： $$\alpha_{t1} = \frac{2.718}{11.107} \approx 0.245$$
$$\alpha_{t2} = \frac{7.389}{11.107} \approx 0.665$$
$$\alpha_{t3} = \frac{1}{11.107} \approx 0.090$$
步骤3：计算上下文向量
$$c_t = \sum_{j=1}^3 \alpha_{tj} h_j$$ $$= 0.245 \times [1, 1] + 0.665 \times [2, 0] + 0.090 \times [0, 2]$$ $$= [0.245, 0.245] + [1.330, 0] + [0, 0.180]$$ $$= [1.575, 0.425]$$
分析： - 注意力权重：$[0.245, 0.665, 0.090]$ - 解码器关注程度：$h_2 > h_1 > h_3$ - 这是因为$s_{t-1} = [1, 0]$与$h_2 = [2, 0]$方向最相似（点积最大） - 上下文向量是编码器状态的加权平均，偏向与解码器状态相似的$h_2$
3. 训练题
一、选择题
1. RNN中“权值共享”指的是：
A. 不同层使用相同权重 B. 不同时间步使用相同权重 C. 输入和输出使用相同权重 D. 编码器和解码器使用相同权重
2. LSTM中控制“遗忘”历史信息的是：
A. 输入门 B. 遗忘门 C. 输出门 D. 更新门
3. GRU相比LSTM的主要优势是：
A. 更强的记忆能力 B. 更少的参数量 C. 更好的并行性 D. 更高的准确率
4. 在Seq2Seq模型中，注意力机制解决了什么问题？
A. 梯度消失 B. 信息瓶颈 C. 过拟合 D. 计算复杂度
5. 双向RNN的主要特点是：
A. 更深的网络结构 B. 同时利用过去和未来的信息 C. 更快的训练速度 D. 更少的参数量
二、填空题
6. RNN的三种经典门控机制是遗忘门、门和门。
7. 在LSTM中，细胞状态的更新方式是（加法/乘法），这是解决梯度消失的关键。
8. 时间反向传播的英文缩写是。
9. Seq2Seq模型由器和器两部分组成。
10. 梯度裁剪用于解决RNN训练中的问题。
三、计算题
11. 给定RNN：$h_t = \tanh(0.5 h_{t-1} + 0.3 x_t)$，$h_0 = 0$，输入序列$x = [1, 2, 1]$，计算$h_1, h_2, h_3$。
12. 在LSTM中，$C_{t-1} = 10$，$f_t = 0.2$，$i_t = 0.8$，$\tilde{C}_t = 2$，计算$C_t$。
13. 注意力计算：$s = [2, 1]$，$h_1 = [1, 0]$，$h_2 = [1, 1]$，$h_3 = [0, 1]$，使用点积注意力计算三个注意力权重。
4. 答案与解析
一、选择题答案：
1. 答案：B
解析：RNN在不同时间步使用相同的权重矩阵（$W_{xh}, W_{hh}$），这是RNN能够处理变长序列的基础。
2. 答案：B
解析：遗忘门（Forget Gate）通过$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$控制历史信息的保留程度。
3. 答案：B
解析：GRU将LSTM的遗忘门和输入门合并为更新门，细胞状态和隐藏状态合并，参数量约为LSTM的75%。
4. 答案：B
解析：注意力机制允许解码器动态关注输入序列的不同部分，解决了固定长度上下文向量的信息瓶颈问题。
5. 答案：B
解析：双向RNN包含前向和后向两个RNN，分别捕获过去和未来的上下文信息。
二、填空题答案：
6. 答案：输入；输出
解析：LSTM的三个门是遗忘门（Forget Gate）、输入门（Input Gate）和输出门（Output Gate）。
7. 答案：加法
解析：$C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t$，加法更新使梯度可以直接传播，缓解了梯度消失。
8. 答案：BPTT（或Backpropagation Through Time）
解析：BPTT将RNN按时间展开，使用反向传播算法计算梯度。
9. 答案：编码（Encoder）；解码（Decoder）
解析：Seq2Seq（序列到序列）模型由编码器处理输入序列，解码器生成输出序列。
10. 答案：梯度爆炸
解析：当梯度过大时，梯度裁剪将其缩放到阈值以内，防止参数更新失控。
三、计算题答案：
11. 解答：
$h_1 = \tanh(0.5 \times 0 + 0.3 \times 1) = \tanh(0.3) \approx 0.291$ $h_2 = \tanh(0.5 \times 0.291 + 0.3 \times 2) = \tanh(0.146 + 0.6) = \tanh(0.746) \approx 0.633$ $h_3 = \tanh(0.5 \times 0.633 + 0.3 \times 1) = \tanh(0.317 + 0.3) = \tanh(0.617) \approx 0.549$ 因此：$h_1 \approx 0.291$，$h_2 \approx 0.633$，$h_3 \approx 0.549$
12. 解答：
$C_t = f_t \times C_{t-1} + i_t \times \tilde{C}_t$
$= 0.2 \times 10 + 0.8 \times 2$
$= 2 + 1.6$
$= 3.6$
13. 解答：
计算点积： - $e_1 = s \cdot h_1 = [2, 1] \cdot [1, 0] = 2 \times 1 + 1 \times 0 = 2$ - $e_2 = s \cdot h_2 = [2, 1] \cdot [1, 1] = 2 \times 1 + 1 \times 1 = 3$ - $e_3 = s \cdot h_3 = [2, 1] \cdot [0, 1] = 2 \times 0 + 1 \times 1 = 1$ Softmax： - $\sum \exp(e_i) = \exp(2) + \exp(3) + \exp(1) = 7.389 + 20.086 + 2.718 = 30.193$ - $\alpha_1 = 7.389 / 30.193 \approx 0.245$ - $\alpha_2 = 20.086 / 30.193 \approx 0.665$ - $\alpha_3 = 2.718 / 30.193 \approx 0.090$ 注意力权重：$[0.245, 0.665, 0.090]$
张叶安