第 10 章 循环神经网络

在前面两章中,我们分别介绍了神经网络的基础概念和最简单的MLP,以及适用于图像处理的CNN。从中我们可以意识到,不同结构的神经网络具有不同的特点,在不同任务上具有自己的优势。例如MLP复杂度低、训练简单、适用范围广,适合解决普通任务或作为大型网络的小模块;CNN可以捕捉到输入中不同尺度的关联信息,适合从图像中提取特征。而对于具有序列特征的数据,例如一年内随时间变化的温度、一篇文章中的文字等,它们具有明显的前后关联。然而这些关联的数据在序列中出现的位置可能间隔非常远,例如文章在开头和结尾描写了同一个事物,如果用CNN来提取这些关联的话,其卷积核的大小需要和序列的长度相匹配。当数据序列较长时,这种做法会大大增加网络复杂度和训练难度。因此,我们需要引入一种新的网络结构,使其能够充分利用数据的序列性质,从前到后分析数据、提取关联。这就是本章要介绍的循环神经网络(recurrent neural networks,RNN)。

10.1 循环神经网络的基本原理

我们先从最简单的模型开始考虑。对于不存在序列关系的数据,我们采用一个两层的MLP来拟合它,如图10-1(a)所示,输入样本为,经过第一个权重为的隐层得到中间向量,再经过权重为的隐层得到输出,其中为激活函数。这是一个标准的MLP的预测流程。

rnn
图 10-1 从MLP到RNN

假设数据集中的数据分别是在时刻1和时刻2采集到的,并且我们知道时刻2的结果与时刻1有关。这时,由于两个时刻的数据产生了依赖关系,如果我们用相同的模型权重来进行预测而忽略其关联,预测的准确度就会降低。为了利用上额外的关联信息,我们将MLP的结构拓展一下,如图10-1(b)所示,第二个MLP的中间向量与一般的MLP不同。在计算时刻2的中间向量时,我们将时刻1的中间向量也纳入进来,得到,再将传给第二个隐层计算出输出。这样,我们就在时刻2的预测中用到了时刻1的信息。如果将这种思想进一步扩展,如图10-1(c)所示,我们可以将MLP沿着序列不断扩展下去,中间的每个MLP都将上一时刻的中间向量与当前的输入组合得到中间向量,再进行后续处理。同时,由于序列中每一位置之间又存在对称性,为了减小网络的复杂度,每一MLP前后的权重与中间组合的权重可以共用,不随序列位置变化。因此,这样重复的网络结构可以用图10-2中的循环来表示,称为循环神经网络。

rnn_abbr
图 10-2 RNN的循环

RNN的输入与输出并不一定要像上面展示的一样,在每一时刻都有一个输入样本和一个预测输出。根据任务的不同,RNN的输入输出对应可以有多种形式。图10-3展示了一些不同对应形式的RNN结构,从左到右依次是一对多、多对一、同步多对多和异步多对多,它们都有合适的任务场景。例如,如果我们要根据一个关键词生成一句话,以词语作为最小单元,那么RNN的输入只有一个,而生成的句子需要有连贯的含义和语义,因此可以利用RNN在每一时刻输出一个词,从前到后连成完整的句子。这样的任务就更适合采用一对多的结构。再比如,常见的时间序列预测任务需要我们根据一段时间中收集的数据,预测接下来一定时间内数据的情况。这时,我们就可以用异步多对多的结构,先分析样本的规律和特征,再生成紧接着样本所在时间之后的结果。

rnn_types
图 10-3 适用与不同任务的RNN结构

当我们训练RNN时,由于每一时刻的中间向量都会组合上一时刻的中间向量,如果把时刻的中间向量全部展开,就得到:

如果在时刻存在输出,我们可计算时刻的损失函数,并使用梯度回传方法优化参数。然而,随着反向传播的步数增加,RNN有可能会出现梯度消失或梯度爆炸的现象。为了详细解释这一现象,我们考虑时刻的损失关于参数的导数。根据求导的链式法则,我们可以计算如下:

代入,就得到:

观察上式可以发现,梯度中会出现一些的连乘项。如果,当时刻距离较远时,该连乘的值就会趋近于0,因此由时刻的损失函数计算出的梯度在回传时会逐渐消失;反之,如果,该连乘会趋于无穷大,梯度在回传时会出现发散的现象。我们将这两种情况分别称为梯度消失和梯度爆炸。无论出现哪种情况,网络的参数都无法正常更新,模型的性能也会大打折扣。当出现梯度消失时,时刻的梯度只能影响时刻之前的少数几步,而无法影响到较远的位置。换句话说,距离时刻较远的信息已经丢失,模型很难捕捉到序列中的长期关联。而当出现梯度爆炸时,网络的梯度会迅速发散,出现数值溢出等错误。

为了防止上述现象发生,最简单的做法是对梯度进行裁剪,为梯度设置上限和下限,当梯度过大或过小时,直接用上下限来代替梯度的值。但是,这种做法在复杂情况下仍然会导致信息丢失,通常只作为一种辅助手段。我们还可以选用合适的激活函数并调整网络参数初始化的值,使得乘积始终稳定在1附近。但是,随着网络参数不断更新,总会变化,要始终控制它们的乘积比较困难。因此,我们可以将网络中关联起相邻两步的扩展成一个小的网络,通过设计其结构来达到稳定梯度的目的。

10.2 门控循环单元

本节,我们就来介绍一种较为简单的设计——门控循环单元(gated recurrent unit,GRU)。为了解决梯度消失与梯度爆炸的问题,GRU在普通RNN的设计上进行改进,通过门控单元来调整的关系。我们不妨将输入理解为外部输入的信息,理解为网络记住的信息,它从时刻开始向后传递。然而,由于模型本身复杂度的限制,模型并不需要、也无法将所有时刻的信息都保留下来。因此,在由上一时刻的信息计算时,必须有选择地进行遗忘。同时,在时刻有新的信息输入进网络,我们需要在过去的信息与新信息之间做到平衡。

图10-4展示了GRU单元的内部结构,GRU设置的门控单元共有两个,分别称为更新门和重置门。每个门控单元输出一个数值或向量,由上一时刻的信息和当前时刻的输入组合计算得到:

GRU
图 10-4 GRU结构示意

其中,是更新单元,是重置单元,都是网络的参数,是逻辑斯谛函数,从而门控单元的值都在区间内。虽然这两个单元的计算方式完全相同,但是接下来它们会发挥不同的作用。利用重置单元,我们对过去的信息进行选择性遗忘:

其中称为阿达马积(Hadamard product),表示向量或矩阵的逐元素相乘。例如,形状相同的矩阵的哈达玛积为

某一维度的值接近0时,网络就更倾向于遗忘的相应维度;反之,当某一维度的值接近1时,网络更倾向于保留的相应维度。之后,我们再将重置过的组合,得到

这里得到的混合了当前的与部分过去的信息,并由函数映射到了范围内。观察上式与普通RNN的更新方式可以看出,普通的RNN相当于令重置单元的所有维度都为1,从而保留了所有过去的信息;而会消除所有过去的信息,使得RNN退化为与过去无关的单个MLP。读者可以通过这样的对比体会重置单元的意义。

最后,我们要决定是要更倾向于旧的信息,还是旧信息与新输入的混合。利用更新单元,我们令:

在上式中,如果更新单元接近1,我们将保留更多的旧信息,而忽略的影响;反之,如果接近0,我们将让旧信息与新信息混合,保留。需要注意,重置单元和更新单元的作用并不相同,两者不能合为一个单元。简单来说,重置单元控制旧信息保留的比例,而更新单元同时控制旧信息和新输入的比例。虽然理论上我们可以用类似这样的式子,仅用一个更新单元来计算,但是其灵活性将大打折扣。

为什么GRU的设计可以缓解梯度爆炸与梯度消失问题呢?上文我们已经提到,导致梯度问题的最大因素是的连乘。在GRU中,我们可以通过调整门控单元的值,使该梯度始终保持稳定。以文本分析为例,假如某一事物在一段话的开头和结尾出现,为了让模型保留它们之间的关联,我们只需要将重置单元的值减小、更新单元的值增大,就可以使网络在间隔很多时间步之后,仍然保留最初的记忆信息。最极端的情况下,如果令,那么从时刻2到的所有输入都将被忽略,可以直接得到。这样,梯度的连乘为:

虽然门控单元的值也是由网络训练得到的,但是门控单元的引入使得GRU可以自我调节梯度。也就是说,如果非常重要,那么门控单元会让保留下来,其梯度较大;如果重要性不高,随着时间推移被遗忘,那么其梯度即使消失也不会产生什么问题。因此,GRU几乎不会发生普通RNN的梯度爆炸或梯度消失现象。

10.3 动手实现GRU

本节我们使用PyTorch库中的工具来实现GRU模型,完成简单的时间序列预测任务。时间序列预测任务是指根据一段连续时间内采集的数据、分析其变化规律、预测接下来数据走向的任务。如果当前数据与历史数据存在依赖关系,或者有随时间有一定的规律性,该任务就很适合用RNN求解。本节中,我们生成了一条经过一定处理的正弦曲线作为数据集,存储在sindata_1000.csv中。该曲线包含1000个数据点。其中前800个点作为训练集,后200个点作为测试集。由于本任务是时序预测任务,我们在划分训练集和测试集时无须将其打乱。我们首先导入必要的库和数据集,并将数据集的图像绘制出来。

import numpy as np
import matplotlib.pyplot as plt
from tqdm import tqdm
import torch
import torch.nn as nn
# 导入数据集
data = np.loadtxt('sindata_1000.csv', delimiter=',')
num_data = len(data)
split = int(0.8 * num_data)
print(f'数据集大小:{num_data}')
# 数据集可视化
plt.figure()
plt.scatter(np.arange(split), data[:split],
color='blue', s=10, label='training set')
plt.scatter(np.arange(split, num_data), data[split:],
color='orange', s=10, label='test set')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.legend()
plt.show()
# 分割数据集
train_data = np.array(data[:split])
test_data = np.array(data[split:])
数据集大小:1000

png

在训练RNN模型时,虽然我们可以把每个时间步单独输入,得到模型的预测值,但是这样无法体现出数据的序列相关性质。因此,我们通常会把一段时间序列整体作为输入,PyTorch中的GRU模块输出这段序列对应的中间变量。下面的实现中,我们每次输入的时间序列,预测输入向后错一步的数据。参照图10-4的结构可以发现,GRU模型只输出中间变量。如果要得到我们最后的输出,还需要将这些中间变量经过自定义的其他网络。这一点和CNN里卷积层负责提取特征、MLP负责根据特征完成特定任务的做法非常相似。因此,我们在GRU之后拼接一个全连接层,通过中间变量序列来预测未来的数据分布。

# 输入序列长度
seq_len = 20
# 处理训练数据,把切分序列后多余的部分去掉
train_num = len(train_data) // (seq_len + 1) * (seq_len + 1)
train_data = np.array(train_data[:train_num]).reshape(-1, seq_len + 1, 1)
np.random.seed(0)
torch.manual_seed(0)
x_train = train_data[:, :seq_len] # 形状为(num_data, seq_len, input_size)
y_train = train_data[:, 1: seq_len + 1]
print(f'训练序列数:{len(x_train)}')
# 转为PyTorch张量
x_train = torch.from_numpy(x_train).to(torch.float32)
y_train = torch.from_numpy(y_train).to(torch.float32)
x_test = torch.from_numpy(test_data[:-1]).to(torch.float32)
y_test = torch.from_numpy(test_data[1:]).to(torch.float32)
训练序列数:38

考虑到GRU的模型结构较为复杂,我们直接使用在PyTorch库中封装好的GRU模型。我们只需要为该模型提供两个参数,第一个参数input_size表示输入 的维度,第二个参数hidden_size表示中间向量的维度,其余参数我们保持默认值。在前向传播时,GRU接受序列和初始的中间变量。如果最开始我们不知道中间变量的值,GRU会自动将其初始化为全零。前向传播的输出是outhidden,前者是整个时间序列上中间变量的值,而后者只包含是最后一步。out[-1]hidden在GRU内部的层数不同时会有区别,但本节只使用单层网络,因此不详细展开。感兴趣的读者可以参考PyTorch的官方文档。我们将out作为最后全连接层的输入,得到预测值,再把预测值和hidden返回。hidden将作为下一次前向传播的初始中间变量。

class GRU(nn.Module):
# 包含PyTorch的GRU和拼接的MLP
def __init__(self, input_size, output_size, hidden_size):
super().__init__()
# GRU模块
self.gru = nn.GRU(input_size=input_size, hidden_size=hidden_size)
# 将中间变量映射到预测输出的MLP
self.linear = nn.Linear(hidden_size, output_size)
def forward(self, x, hidden):
# 前向传播
# x的维度为(batch_size, seq_len, input_size)
# GRU模块接受的输入为(seq_len, batch_size, input_size)
# 因此需要对x进行变换
# transpose函数可以交换x的坐标轴
# out的维度是(seq_len, batch_size, hidden_size)
out, hidden = self.gru(torch.transpose(x, 0, 1), hidden)
# 取序列最后的中间变量输入给全连接层
out = self.linear(out.view(-1, hidden_size))
return out, hidden

接下来,我们设置超参数并实例化GRU。在训练之前,我们还要强调时序模型在测试时与普通模型的区别。GRU在测试时,我们将输入的时间序列长度降为1,即只输入,让GRU预测时间的值。之后,不像普通的任务那样把所有测试数据都给模型,而是让GRU将自己预测的作为输入,再预测时间的值,循环往复。这样的测试方式对模型在时序上的建模能力有相当高的要求,否则就会很快因为预测值的误差累积,和真实值偏差很大。

# 超参数
input_size = 1 # 输入维度
output_size = 1 # 输出维度
hidden_size = 16 # 中间变量维度
learning_rate = 5e-4
# 初始化网络
gru = GRU(input_size, output_size, hidden_size)
gru_optim = torch.optim.Adam(gru.parameters(), lr=learning_rate)
# GRU测试函数,x和hidden分别是初始的输入和中间变量
def test_gru(gru, x, hidden, pred_steps):
pred = []
inp = x.view(-1, input_size)
for i in range(pred_steps):
gru_pred, hidden = gru(inp, hidden)
pred.append(gru_pred.detach())
inp = gru_pred
return torch.concat(pred).reshape(-1)

作为对比,我们用相同的数据同步训练一个3层的MLP模型。该MLP将同样将的数据拼接在一起作为输入,此时被理解为输入的批量大小,并输出的预测值,与GRU保持一致。在测试时,MLP同样只接受测试集第一个时间步的数据,以和GRU相同的方式进行自循环预测。

# MLP的超参数
hidden_1 = 32
hidden_2 = 16
mlp = nn.Sequential(
nn.Linear(input_size, hidden_1),
nn.ReLU(),
nn.Linear(hidden_1, hidden_2),
nn.ReLU(),
nn.Linear(hidden_2, output_size)
)
mlp_optim = torch.optim.Adam(mlp.parameters(), lr=learning_rate)
# MLP测试函数,相比于GRU少了中间变量
def test_mlp(mlp, x, pred_steps):
pred = []
inp = x.view(-1, input_size)
for i in range(pred_steps):
mlp_pred = mlp(inp)
pred.append(mlp_pred.detach())
inp = mlp_pred
return torch.concat(pred).reshape(-1)

最后,我们用完全相同的数据训练GRU和MLP。由于已经有了序列长度,我们不再设置SGD的批量大小,直接将每个训练样本单独输入模型进行优化。

max_epoch = 150
criterion = nn.functional.mse_loss
hidden = None # GRU的中间变量
# 训练损失
gru_losses = []
mlp_losses = []
gru_test_losses = []
mlp_test_losses = []
# 开始训练
with tqdm(range(max_epoch)) as pbar:
for epoch in pbar:
st = 0
gru_loss = 0.0
mlp_loss = 0.0
# 随机梯度下降
for X, y in zip(x_train, y_train):
# 更新GRU模型
# 我们不需要通过梯度回传更新中间变量
# 因此将其从有梯度的部分分离出来
if hidden is not None:
hidden.detach_()
gru_pred, hidden = gru(X[None, ...], hidden)
gru_train_loss = criterion(gru_pred.view(y.shape), y)
gru_optim.zero_grad()
gru_train_loss.backward()
gru_optim.step()
gru_loss += gru_train_loss.item()
# 更新MLP模型
# 需要对输入的维度进行调整,变成(seq_len, input_size)的形式
mlp_pred = mlp(X.view(-1, input_size))
mlp_train_loss = criterion(mlp_pred.view(y.shape), y)
mlp_optim.zero_grad()
mlp_train_loss.backward()
mlp_optim.step()
mlp_loss += mlp_train_loss.item()
gru_loss /= len(x_train)
mlp_loss /= len(x_train)
gru_losses.append(gru_loss)
mlp_losses.append(mlp_loss)
# 训练和测试时的中间变量序列长度不同,训练时为seq_len,测试时为1
gru_pred = test_gru(gru, x_test[0], hidden[:, -1], len(y_test))
mlp_pred = test_mlp(mlp, x_test[0], len(y_test))
gru_test_loss = criterion(gru_pred, y_test).item()
mlp_test_loss = criterion(mlp_pred, y_test).item()
gru_test_losses.append(gru_test_loss)
mlp_test_losses.append(mlp_test_loss)
pbar.set_postfix({
'Epoch': epoch,
'GRU loss': f'{gru_loss:.4f}',
'MLP loss': f'{mlp_loss:.4f}',
'GRU test loss': f'{gru_test_loss:.4f}',
'MLP test loss': f'{mlp_test_loss:.4f}'
})
100%|██████████| 150/150 [00:42<00:00, 3.52it/s, Epoch=149, GRU loss=0.0034, MLP loss=0.0056, GRU test loss=0.0392, MLP test loss=1.1252]

最后,我们在测试集上对比GRU和MLP模型的效果并绘制出来。图中包含了原始数据的训练集和测试集的曲线,可以看出,GRU的预测基本符合测试集的变化规律,而MLP很快就因为缺乏足够的时序信息与测试集偏离。

# 最终测试结果
gru_preds = test_gru(gru, x_test[0], hidden[:, -1], len(y_test)).numpy()
mlp_preds = test_mlp(mlp, x_test[0], len(y_test)).numpy()
plt.figure(figsize=(13, 5))
# 绘制训练曲线
plt.subplot(121)
x_plot = np.arange(len(gru_losses)) + 1
plt.plot(x_plot, gru_losses, color='blue', label='GRU training loss')
plt.plot(x_plot, mlp_losses, color='red', label='MLP training loss')
plt.plot(x_plot, gru_test_losses, color='blue',
linestyle='--', label='GRU test loss')
plt.plot(x_plot, mlp_test_losses, color='red',
linestyle='--', label='MLP test loss')
plt.xlabel('Training step')
plt.ylabel('Loss')
plt.legend(loc='lower left')
# 绘制真实数据与模型预测值的图像
plt.subplot(122)
plt.scatter(np.arange(split), data[:split], color='blue',
s=10, label='training set')
plt.scatter(np.arange(split, num_data), data[split:], color='orange',
s=10,label='test set')
plt.scatter(np.arange(split, num_data - 1), mlp_preds, color='purple',
s=10, label='MLP preds')
plt.scatter(np.arange(split, num_data - 1), gru_preds, color='green',
s=10, label='GRU preds')
plt.legend(loc='lower left')
plt.show()


png

10.4 本章小结

本章主要介绍了循环神经网络及其变体门控循环单元,并在简单的数据集上实现了GRU模型。与其他的神经网络结构相比,RNN充分利用了数据中的序列特性,将中间向量按时间步不断向后传播,从而具有捕捉序列型关联的能力。然而在实际应用中,由于RNN的结构导致其梯度回传的表达式中出现参数的连乘,其较容易出现梯度消失和梯度爆炸等问题。许多RNN的改进算法通过设计中间变量传播中的函数的结构解决了这一问题,其中长短期记忆网络(long short-term memory,LSTM)是最著名的改进之一。在此之后,许多研究者以LSTM为基础进行了简化和进一步改进,本章介绍的GRU网络就是由LSTM简化而来的。在现代深度学习中,RNN凭借其直观的思想和强大的序列数据建模能力,始终占有一席之地。如今的深度学习大模型在RNN的基础上又做了许多改进,与本章中介绍的最普通的RNN模型已有很大差别,但用传递中间层来使信息在不同位置之间流动的基本思想依然被保留了下来。

习题

  1. 以下关于RNN的说法不正确的是: A. RNN的权值更新通过与MLP相同的传统反向传播算法进行计算。 B. RNN的中间结果不仅取决于当前的输入,还取决于上一时间步的中间结果。 C. RNN结构灵活,可以控制输入输出的数目,以针对不同的任务。 D. RNN中容易出现梯度消失或梯度爆炸问题,因此很难应用在序列较长的任务上。

  2. 以下关于GRU的说法正确的是: A. GRU主要改进了RNN从中间结果到输出之间的结构,可以提升RNN的表达能力。 B. GRU相较于一般的RNN更为复杂,但训练反而更加简单。 C. 没有一种网络结构可以完整保留过去的所有信息,GRU只是合适的取舍方式。 D. 重置门和更新门的输入完全相同,因此可以合并为一个门。

  3. 在10.3动手实现GRU一节中,根据任务特点,我们用到的RNN的输入输出对应关系是什么?

  4. GRU的重置门和更新门,哪个可以维护长期记忆?哪个可以捕捉短期信息?

  5. 基于本章的代码,调整RNN和GRU的输入序列长度并做同样的训练和测试,观察其模型性能随序列长度的变化情况。

  6. PyTorch中还提供了封装好的LSTM工具torch.nn.LSTM,使用方法与GRU类似。将本节代码中的GRU改为LSTM,对比两者的表现。

参考文献

[1] GRU论文:Cho K, Van Merriënboer B, Bahdanau D, et al. On the properties of neural machine translation: Encoder-decoder approaches[J]. arXiv preprint arXiv:1409.1259, 2014.

[2] LSTM论文:Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural computation, 1997, 9(8): 1735-1780.