梯度爆炸和梯度消失的原因 從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？
從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？RNN（遞歸神經(jīng)網(wǎng)絡(luò)），顧名思義，以先前的輸出（隱藏狀態(tài)）作為輸入，形成一個(gè)循環(huán)。（RNN擴(kuò)展，圖像源：colah.github.io文件)上面
從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？
RNN（遞歸神經(jīng)網(wǎng)絡(luò)），顧名思義，以先前的輸出（隱藏狀態(tài)）作為輸入，形成一個(gè)循環(huán)。
（RNN擴(kuò)展，圖像源：colah.github.io文件)
上面的展開圖清楚地顯示了RNN的結(jié)構(gòu)。不難發(fā)現(xiàn)RNN的結(jié)構(gòu)與序列化數(shù)據(jù)是一致的。實(shí)際上，RNN實(shí)際上主要用于處理序列化數(shù)據(jù)。
基本上，不使用原始RNN，而是使用RNN的變體。
rnu的梯度和梯度可以通過Gru的梯度和梯度來減輕。
（一般是sigmoid層）建模輸入、輸出和遺忘。
（圖片來源：中新網(wǎng)/@左上角的藍(lán)色是輸入門，右上角的綠色是輸出門，底部的紅色是遺忘門。
是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語音以及NLP？
對于目前的深度學(xué)習(xí)模型，雖然深度學(xué)習(xí)的目標(biāo)之一是設(shè)計(jì)能夠處理各種任務(wù)的算法，但是深度學(xué)習(xí)的應(yīng)用還需要一定的專業(yè)化，目前還沒有通用的神經(jīng)網(wǎng)絡(luò)處理模型。然而，每一種模式也在相互學(xué)習(xí)、相互融合、共同提高。例如，一些創(chuàng)新可以同時(shí)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標(biāo)準(zhǔn)化和關(guān)注度。一般模型需要在將來提出。
圖像和視頻處理，計(jì)算機(jī)視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡(luò)，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點(diǎn)。將上述模型應(yīng)用于圖像分類識(shí)別中。在圖像分割、目標(biāo)檢測等方面，提出了更有針對性的模型，并得到了廣泛的應(yīng)用。
語音處理，2012年之前，最先進(jìn)的語音識(shí)別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學(xué)習(xí)RNN遞歸神經(jīng)網(wǎng)絡(luò)，其長、短期記憶網(wǎng)絡(luò)LSTM、Gru、雙向RNN、層次RNN等。
除了傳統(tǒng)的自然語言處理方法外，目前的自然語言處理深度學(xué)習(xí)模型也經(jīng)歷了幾個(gè)發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務(wù)場景有不同的模型和策略來解決一些問題。
人腦是怎么防止梯度消失和梯度爆炸的？
大腦中有近900億個(gè)神經(jīng)元。如此龐大的網(wǎng)絡(luò)如何防止梯度消失和梯度爆炸？我認(rèn)為，因?yàn)榇竽X不能一次激活所有的神經(jīng)元，所以它把結(jié)果儲(chǔ)存在遠(yuǎn)離大腦的地方。
人腦是如何工作的？
你給大腦一個(gè)圖像，同時(shí)激活整個(gè)大腦嗎？顯然不是。大腦被分割了。然而，在遙遠(yuǎn)的地方存儲(chǔ)信息只是人腦算法的一小部分，這與動(dòng)物和人類驚人的識(shí)別能力無關(guān)。我認(rèn)為更多的是關(guān)于短期記憶的儲(chǔ)存（在它變成長期記憶之前）。
現(xiàn)在人們普遍認(rèn)為人腦沒有DNN這樣的梯度返回機(jī)制。。。對生物學(xué)稍有了解就會(huì)發(fā)現(xiàn)神經(jīng)元的傳遞是單向的。但是我們能有兩個(gè)神經(jīng)元，一個(gè)前饋一個(gè)反饋嗎？目前的研究還沒有發(fā)現(xiàn)。。。一般認(rèn)為這一環(huán)節(jié)是一個(gè)循環(huán)結(jié)構(gòu)（RNN）。其次，新生動(dòng)物的比率可能不需要學(xué)習(xí)掌握很多基本的信息處理能力。例如，牛、羊和馬生來就是要走路的。結(jié)果表明，它們的基因是預(yù)先編程的，具有一些基本的能力，如行走、運(yùn)動(dòng)和視覺，這是我們通過反向傳播訓(xùn)練模型實(shí)現(xiàn)的。人類出生的原因看不清楚?，F(xiàn)有的解釋是，人類在出生時(shí)并沒有完全發(fā)育，否則嬰兒的頭太大，無法順利分娩。然而，大腦中肯定有一種機(jī)制來返回錯(cuò)誤并改變突觸重量。
為什么現(xiàn)在人工智能這么熱，是因?yàn)槟硞€(gè)技術(shù)獲得突破性進(jìn)展了嗎？
不僅僅是AI現(xiàn)在如此火爆，歷史上也曾一度火爆。
人們總是高估短時(shí)間內(nèi)能取得的成就，卻低估了長時(shí)間內(nèi)能取得的成就。這是人類社會(huì)的本性，而且一直如此。1956年達(dá)特茅斯會(huì)議提出了人工智能的概念。當(dāng)時(shí)，科學(xué)家們信心滿滿，希望讓人工智能在十年內(nèi)解決人類智能能夠解決的問題。當(dāng)時(shí)的一位大牛認(rèn)為，讓機(jī)器看到和理解事物是一項(xiàng)非常簡單的任務(wù)，讓他的博士生在一個(gè)月內(nèi)解決機(jī)器視覺的問題。當(dāng)然，我們知道，這個(gè)問題到現(xiàn)在還沒有解決。
人工智能是一個(gè)極其重要的領(lǐng)域。正因?yàn)槿绱?，人們對它的看法總是徘徊在幾個(gè)極端之間。上世紀(jì)60年代，人們對解決自然語言問題充滿了熱情，希望用幾年時(shí)間創(chuàng)造出一個(gè)通用的翻譯器，讓人們相互理解，讓巴別塔不再是廢墟。但在投入了大量人力物力后，研究人員卻一敗涂地。于是，人工智能的熱潮迅速退去。在接下來的十年里，整個(gè)領(lǐng)域變得悲觀起來，持續(xù)了十多年的“人工智能之冬”開始了。
然而，許多研究人員仍在研究它——畢竟，人工智能太有吸引力了。20世紀(jì)90年代以來，一些新的思想被應(yīng)用，人工智能領(lǐng)域逐漸活躍起來。但最大的變化應(yīng)該是2006年提出的“深度學(xué)習(xí)”方法。該方法以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，模擬人腦的學(xué)習(xí)方法，構(gòu)造多層機(jī)器學(xué)習(xí)模型。
最重要的是，這種方法具有很強(qiáng)的通用性，使機(jī)器能夠“學(xué)習(xí)”如何理解現(xiàn)實(shí)世界中的對象。因此，人們在圖像識(shí)別、機(jī)器翻譯、作文、寫作等領(lǐng)域進(jìn)行了深入的學(xué)習(xí)嘗試，其中自然語言處理有著良好的發(fā)展勢頭。
如果在人工智能的發(fā)展中有任何突破性的技術(shù)，深度學(xué)習(xí)應(yīng)該是其中之一。然而，這一領(lǐng)域的普及不僅僅是由深度學(xué)習(xí)推動(dòng)的，計(jì)算機(jī)工具的普及、計(jì)算能力的提高和互聯(lián)網(wǎng)的發(fā)展都是促成當(dāng)今人工智能發(fā)展的重要因素。