RNN如何知道如何将过去的信息应用到当前的输入?网络有两组权值,一组权值用于隐藏状态向量,另一组权值用于输入。在训练过程中,网络学习输入和隐藏状态的权值。当实现时,输出基于当前输入,以及基于先前输入的隐藏状态。
LSTM
在实践中,简单的rnn在学习长期依赖时遇到了问题。rnn通常通过反向传播进行训练,在这种情况下,它们可以经历“消失”或“爆炸”梯度问题。这些问题导致网络权重要么变得非常小,要么变得非常大,限制了学习长期关系的有效性。
克服这个问题的一种特殊的递归神经网络是长时间的短期记忆(LSTM)网络。LSTM网络使用额外的门来控制隐藏单元中的信息输出和下一个隐藏状态。这使得网络能够更有效地了解数据中的长期关系。lstm是RNN的一种常用实现类型。
MATLAB®具有一套完整的特性和功能来训练和实现带有文本、图像、信号和时间序列数据的LSTM网络。下一节将探索rnn的应用和使用MATLAB的一些示例。
应用RNNs
自然语言处理
语言是自然顺序的,文本的长度也各不相同。这使得rnn成为解决这一领域问题的伟大工具,因为它们可以学习在句子中上下文化单词。一个例子包括情绪分析,一种对单词和短语的意义进行分类的方法。机器翻译,或使用算法在语言之间进行翻译,是另一个常见的应用。单词首先需要从文本数据转换为数字序列。一个有效的方法是字嵌入层。单词嵌入将单词映射成数字向量。的例子下面使用单词嵌入来训练单词情感分类器,使用MATLAB wordcloud函数显示结果。