循环神经网络

循环神经网络

1 - 无隐状态的神经网络

2 - 有隐状态的循环神经网络

import torch
from d2l import torch as d2l
1
2

X,W_xh = torch.normal(0,1,(3,1)),torch.normal(0,1,(1,4))
H,W_hh = torch.normal(0,1,(3,4)),torch.normal(0,1,(4,4))

torch.matmul(X,W_xh) + torch.matmul(H,W_hh)
1
2
3
4

tensor([[ 2.7082, -1.9897, -0.5827,  2.6741],
        [-4.2047,  2.0132,  1.7765, -0.2202],
        [-0.8636,  0.8902,  0.6410,  1.5466]])
1
2
3

现在，我们沿列（轴1）拼接矩阵X和H，沿行（轴0）拼接矩阵W_xh和W_hh

这两个拼接分别产⽣形状(3, 5)和形状(5, 4)的矩阵。再将这两个拼接的矩阵相乘，我们得到与上⾯相同形状(3, 4)的输出矩阵

torch.matmul(torch.cat((X, H), 1), torch.cat((W_xh, W_hh), 0))
1

tensor([[ 2.7082, -1.9897, -0.5827,  2.6741],
        [-4.2047,  2.0132,  1.7765, -0.2202],
        [-0.8636,  0.8902,  0.6410,  1.5466]])
1
2
3

3 - 基于循环神经网络的字符级语言模型

4 - 困惑度（Perplexity）

5 - 小结

• 对隐状态使用循环计算的神经网络称为循环神经网络(RNN)
• 循环神经网络的隐状态可以捕获直到当前时间步序列的历史信息
• 循环神经网络模型的参数数量不会随着时间步的增加而增加
• 我们可以使用循环神经网络创建字符级语言模型
• 我们可以使用困惑度来评价语言模型的质量