递归神经网络：（01/4) 顺序数据处理的骨干

本文主要是介绍递归神经网络：（01/4) 顺序数据处理的骨干，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、说明

循环神经网络是一个里程碑式的模型框架，它是对时间串处理的最基本构架；而理解RNN也是对自然语言处理模型的开端，本篇将对该模型的基本原理进行介绍。

二、顺序数据处理的架构

递归神经网络（RNN）是一种专为处理顺序数据而设计的神经网络架构。它们特别适用于输入数据顺序至关重要的任务，例如自然语言处理、时间序列分析和语音识别。

对于每个时间步长 t，激活 y<t>，h<t> 和输出表示如下：

三、RNN 的每个时间步长如何工作

RNN 维护一个隐藏状态，该状态在每个时间步都会根据当前输入和之前的隐藏状态进行更新。这种隐藏状态用作内存，允许网络捕获有关先前输入的信息，并使用它来影响当前的预测。每个时间步的基本操作如下：

前向传播

这里：

ht 是时间 t 的隐藏状态，
xt 是时间 t 的输入，
Whx，为什么是输入的权重矩阵，
Whh 是隐藏状态的权重矩阵，
bh， by 是偏置项，

代码单单元 RNN—

   def forward(self, x):# this list i create  for backpropagationself.intermediate_values = []hidden_states = []outputs = []for t in range(len(x)):x_t = x[t].reshape(-1, 1)h_t = np.tanh(np.dot(self.W_hx, x_t) + np.dot(self.W_hh, self.h_t) + self.b_h)y_t = np.dot(self.W_yh, h_t) + self.b_y# Store hidden state and output for this timestephidden_states.append(h_t)outputs.append(y_t)# Update hidden state for the next timestepself.h_t = h_t# Store intermediate values for backpropagationself.intermediate_values.append((x_t, h_t, y_t))return outputs, hidden_states

损失函数 — 在递归神经网络的情况下，所有时间步长的损失函数 L 根据每个时间步长的损失定义如下：

反向传播 —

1. 损失随时间的反向传播：

2. Whx 随时间的反向传播：

3. Whh 随时间的反向传播：

4. B H 随时间的反向传播：

5. Tanh 随时间的反向传播：

def backward(self, x, targets):# Initialize gradientsdL_dW_hx = np.zeros_like(self.W_hx)dL_dW_hh = np.zeros_like(self.W_hh)dL_db_h = np.zeros_like(self.b_h)dL_dW_yh = np.zeros_like(self.W_yh)dL_db_y = np.zeros_like(self.b_y)# Initialize gradient of loss with respect to hidden statedL_dh_t = np.zeros_like(self.h_t)# Backpropagation through timefor t in reversed(range(len(x))):x_t, h_t, y_t = self.intermediate_values[t]target_t = targets[t].reshape(-1, 1)# Compute loss gradient with respect to outputdL_dy_t = y_t - target_t #. 1# Compute gradient of loss with respect to hidden state# dervative of (h_t*w_hy+b_y) with respect of htdL_dh_t += np.dot(self.W_yh.T, dL_dy_t) # 2,3,4# Backpropagation through tanh#derivative of tanh(x) with respect to x is 1- tan**2(x)dtanh = (1 - h_t**2) * dL_dh_t # 5# Accumulate gradients for the parametersdL_dW_hx += np.outer(dtanh, x_t)dL_dW_hh += np.outer(dtanh, h_t)dL_db_h += dtanhdL_dW_yh += np.outer(dL_dy_t, h_t)dL_db_y += dL_dy_t# Update gradient of loss with respect to hidden state for the next timestep# dervative of (h_t-1*w_hh+b_y) with respect of ht-1dL_dh_t = np.dot(self.W_hh.T, dtanh)

我们初始化每个参数的梯度和相对于隐藏状态（ht）的损失梯度。我们从最后一个时间步开始，通过时间进行反向传播。对于每个时间步长，我们计算参数的梯度，并累积相对于隐藏状态的损失梯度。使用梯度下降更新梯度。

四、通常使用以下方式的激活

(3)激活。

培训 —

def train(self, x, targets, epochs):for epoch in range(epochs):# Forward passoutputs, _ = self.forward(x)# Compute and print the lossloss = 0.5 * np.mean((outputs - targets)**2)print(f"Epoch {epoch + 1}/{epochs}, Loss: {loss}")# Backward passself.backward(x, targets)

我们执行指定数量的 epoch 的训练。在每个纪元中，我们执行前向传递，计算损失并打印它。然后，我们执行向后传递以更新模型参数。