递归神经网络

一个轮回神经网络(RNN)是一种深度学习网络结构，它使用过去的信息来改善网络在当前和未来输入的性能。rnn的独特之处在于它包含一个隐藏的状态和循环。这种循环结构允许网络以隐藏状态存储过去的信息，并对序列进行操作。

递归神经网络的这些特性使其非常适合于解决具有不同长度序列数据的各种问题，如:

展开RNN的单个单元，显示数据序列的信息如何在网络中移动。输入由单元的隐藏状态作用产生输出，并将隐藏状态传递到下一个时间步骤。

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。

RNN(左)与LSTM(右)网络比较

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。

情感分析结果在MATLAB中。词云显示训练过程的结果，这样分类器就可以确定新文本组的情感。

在另一个分类器的例子， MATLAB使用rnn对文本数据进行分类，以确定制造故障的类型。MATLAB也被用于机器翻译的例子训练网络理解罗马数字。

信号分类

信号是自然顺序数据的另一个例子，因为它们通常是随着时间的推移从传感器收集的。它有助于对信号进行自动分类，因为这可以减少对大数据集所需的手动时间，或允许实时分类。原始信号数据可以被送入深度网络，或者经过预处理以聚焦于频率成分等其他特征。特征提取可以极大地提高网络性能例如心脏电信号．下面是一个例子在RNN中使用原始信号数据。

在MATLAB中使用LSTM对传感器数据进行分类。

视频分析

rnn适用于视频，因为视频本质上是图像序列。与处理信号类似，它有助于在将序列输入RNN之前进行特征提取。在这个例子，一个预先训练过的google网络模型卷积神经网络)用于每帧的特征提取。您可以看到下面的网络架构。

LSTM视频分类的基本架构。