手把手教你训练 RNN | Part I | 数盟

RNN 前向传播逐步演练

单个 RNN Cell 中的前向传播算法

在之前的文章中,我们介绍了RNN 的基本结构并将其按时间序列展开成 Cells 循环链,称为 RNN cells。下面,我们将揭示单个 RNN Cell 的内部结构和前向传播计算过程。

将其过程分解成多个步骤:

第一步:cell 接受两个输入:x⟨t⟩ 和 a⟨t-1⟩。

第二步:接下来,计算矩阵乘积 ⨂,W_xh 乘 x⟨t⟩,W_ah 乘 a⟨t-1⟩。然后,通过将以上两项乘积相加,并加上偏置 b_h,计算得出 h⟨t⟩。

第三步:紧接着上面的步骤,将 h(t) 传给激活函数(比如 tanh 或 relu)计算 a(t)。本例中激活函数使用 tanh 函数。

第四步: cell 输出 a⟨t⟩ 并将其传给下一 cell 做进一步计算。

第五步:然后,计算 o⟨t⟩; 这是所有输出可能取值的非标准化对数概率。方法是计算矩阵乘积⨂,W_ao 乘 a⟨t⟩,并与 b_o 相加。

第六步:最后,通过将 o⟨t⟩ 传输给激活函数(例如 sigmoid 或 softmax),得到了一个实际输出的标准化概率向量 ŷ⟨t⟩。输出的激活函数的选择通常取决于期望的输出类型(sigmoid 用于二元输出,softmax 用于多类别输出)。

前向传播算法

前向传播算法在整个 RNN 网络中运行以上步骤,而不仅仅在单个 RNN cell 中运行。从隐藏层状态 a⟨0⟩的初始化开始,在所有时间序列 t = 1 to T 中共享权值和偏置向量 W_xh,W_ah, W_ao, b_h, b_o,在每个时间序列中重复上面的每一步。

例如,如果我们拥有一个 8 个序列的输入 x⟨1⟩,x⟨2⟩,……x⟨8⟩,这个网络的前向传播计算过程是步骤 1-6 在循环中重复 8 次。

上面是训练RNN的第一步,在这篇文章的第二部分将介绍后向传播算法(BPTT),以及如何推导梯度。

博客原址 https://medium.com/learn-love-ai/step-by-step-walkthrough-of-rnn-training-part-i-7aee5672dea3

注:转载文章均来自于公开网络,仅供学习使用,不会用于任何商业用途,如果侵犯到原作者的权益,请您与我们联系删除或者授权事宜,联系邮箱:contact@dataunion.org。转载数盟网站文章请注明原文章作者,否则产生的任何版权纠纷与数盟无关。
期待你一针见血的评论,Come on!

不用想啦,马上 "登录"  发表自已的想法.