RNN BPTT算法推导

大家好，又见面了，我是你们的朋友全栈君。

BPTT(沿时反向传播算法)基本原理与BP算法一样，包含三个步骤：

• 前向计算每个神经元的输出值
• 反向计算每个神经元的误差项${\delta }_j$,它是误差函数E对神经元j的加权输入$ne{t}_j$的偏导数
• 计算每个权重的梯度
• 最后再用随机梯度下降算法更新权重
  循环曾如图所示：
  
  1.1前向计算
  循环层的前向计算：
  隐层：$s_t=f(U{x}_t+W{s}_{t-1})$
  1.2误差项的计算
  BPTT算法将第l层t时刻的误差项${\delta }_t^l$值沿两个方向传播，一个方向时传递到上一层网络，得到${\delta }_t^{l-1}$,这部分只和权重矩阵U有关；另一方向是将其沿着时间线传递到初始$t_1$时刻，得到${\delta }_1^l$，这部分只和权重矩阵W有关。
  用向量$ne{t}_j$表示神经元在t时刻的加权输入：
  $ne{t}_j=U{x}_t+W{s}_{t-1}$
  $s_{t-1}=f(ne{t}_{t-1})$
  因此：
  $$\frac{\partial ne{t}_t}{\partial ne{t}_{t-1}}=\frac{\partial ne{t}_t}{\partial s_{t-1}}\frac{\partial s_{t-1}}{\partial ne{t}_{t-1}}$$
  $$\frac{\partial ne{t}_t}{\partial s_{t-1}}=W$$
  第二项是一个jacobian矩阵
  
  
  最后，将两项合在一起，可得：
  $$\frac{\partial ne{t}_t}{\partial ne{t}_{t-1}}=\frac{\partial ne{t}_t}{\partial s_{t-1}}\frac{\partial s_{t-1}}{\partial ne{t}_{t-1}}=W\ast diag[f^{{}^{\prime }}(ne{t}_{t-1})]$$
  上式描述了将$\delta$沿时间向前传递一个时刻的规律，可以求的任意时刻k的误差项${\delta }_k$:
  
  这就是将误差项沿着时间反向传播的算法。

循环层将误差项反向传递到上一层网络，与普通的全连接层是完全一样的。
循环层的加权输入$ne{t}^l$与上一层的加权输入$ne{t}^{l-1}$关系如下：
$$ne{t}_t^l=U{a}_t^{l-1}+W{s}_{t-1}$$
$$a_t^{l-1}=f^{l-1}(ne{t}_t^{l-1})$$
上式中$ne{t}_t^l$是第l层神经元的加权输入；$ne{t}_t^{l-1}$是l-1层神经元的加权输入；$a_t^{l-1}$是第l-1层神经元的输出；$f^{l-1}$是第l-1层的激活函数。
$$\frac{\partial ne{t}_t^l}{\partial ne{t}_t^{l-1}}=\frac{\partial ne{t}_t^l}{\partial a_t^{l-1}}\frac{\partial a_t^{l-1}}{\partial ne{t}_t^{l-1}}=U\ast diag[f^{{}^{\prime }l-1}(ne{t}_t^{l-1})]$$
所以：
$${\delta }_t^{l-1}=\frac{\partial E}{\partial ne{t}_t^{l-1}}=\frac{\partial E}{\partial ne{t}_t^l}\frac{\partial ne{t}_t^l}{\partial ne{t}_t^{l-1}}={\delta }_t^l\ast U\ast diag[f^{{}^{\prime }l-1}(ne{t}_t^{l-1})]$$
上式就是将误差项传递到上一层算法。
1.3权重梯度的计算
接下来是BPTT算法的最后一步：计算每个权重的梯度
首先计算误差函数E对权重矩阵W的梯度：$\frac{\partial E}{\partial W}$

上图为我们前两步计算得到的量，包括每个时刻t循环层的输出值$s_t$,以及误差项${\delta }_t$
我们知道了任意一个时刻的误差项${\delta }_t$,以及上一个时刻循环层的输出值$s_{t-1}$，就可以按照下面的公式求出权重矩阵在t时刻的梯度：

上式中，${\delta }_i^t$表示t时刻误差项向量的第i各分量，即第i层的误差项；KaTeX parse error: Double subscript at position 8: s_{t-1}_̲i表示t-1时刻循环层第i各神经元的输出值。
权重梯度推导：

1.4梯度爆炸与梯度消失

RNNs并不能很好地处理较长的序列。主要原因是RNN在训练中很容易发生梯度爆炸和梯度消失，导致训练时梯度不能在较长序列中一直传递下去，从而使RNN无法捕捉到长距离的影响。
三种方法应对梯度消失问题：
1）合理的初始化权重值。初始化权重，使每个神经元尽可能不要取极大或极小值，以躲开梯度消失的区域。
2）使用Relu代替sigmod和tanh作为激活函数。
3）使用其它结构的RNNs，比如长短时记忆网络(LSTM)和Gated Recurrent Unit(GRU),这是最流行的做法。