循环神经网络(RNN)

循环神经网络(RNN)基本原理

一、RNN核心思想

目标 :处理序列数据(如文本、时间序列),通过循环连接 传递隐藏状态,捕捉序列的动态依赖关系。
核心特性

  • 参数共享:所有时间步共享同一组权重。
  • 记忆能力:隐藏状态 h t h_t ht 编码历史信息。

二、网络结构与数学公式

1. RNN展开结构

  • 输入 :时间步 t t t 的输入 x t x_t xt(如词向量)。
  • 隐藏状态 : h t h_t ht 融合当前输入与历史信息。
  • 输出 : y t y_t yt 基于 h t h_t ht 生成预测。

2. 数学公式

  • 隐藏状态更新
    h t = tanh ⁡ ( W h h h t − 1 + W x h x t + b h ) h_t = \tanh(W_{hh} h_{t-1} + W_{xh} x_t + b_h) ht=tanh(Whhht−1+Wxhxt+bh)

    • W h h ∈ R d h × d h W_{hh} \in \mathbb{R}^{d_h \times d_h} Whh∈Rdh×dh: 隐藏状态权重
    • W x h ∈ R d x × d h W_{xh} \in \mathbb{R}^{d_x \times d_h} Wxh∈Rdx×dh: 输入权重
    • tanh ⁡ \tanh tanh: 激活函数(压缩到[-1,1])
  • 输出计算
    y t = W h y h t + b y y_t = W_{hy} h_t + b_y yt=Whyht+by

    • W h y ∈ R d h × d y W_{hy} \in \mathbb{R}^{d_h \times d_y} Why∈Rdh×dy: 输出权重

三、PyTorch代码实现

1. RNN模型定义

python 复制代码
import torch
import torch.nn as nn

class SimpleRNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleRNN, self).__init__()
        self.hidden_size = hidden_size
        
        # 定义权重参数
        self.W_hh = nn.Parameter(torch.randn(hidden_size, hidden_size))
        self.W_xh = nn.Parameter(torch.randn(input_size, hidden_size))
        self.W_hy = nn.Parameter(torch.randn(hidden_size, output_size))
        self.b_h = nn.Parameter(torch.zeros(hidden_size))
        self.b_y = nn.Parameter(torch.zeros(output_size))

    def forward(self, x_seq):
        # x_seq形状: (seq_length, batch_size, input_size)
        batch_size = x_seq.size(1)
        h = torch.zeros(batch_size, self.hidden_size)  # 初始隐藏状态
        
        outputs = []
        for x_t in x_seq:  # 按时间步迭代
            # 更新隐藏状态
            h = torch.tanh(
                torch.mm(h, self.W_hh) + 
                torch.mm(x_t, self.W_xh) + 
                self.b_h
            )
            # 计算输出
            y_t = torch.mm(h, self.W_hy) + self.b_y
            outputs.append(y_t)
        
        return torch.stack(outputs), h
相关推荐
Easy数模18 分钟前
使用llm进行高级主题建模:通过利用 BERTopic 的表示模型和生成式 AI 深入探讨主题建模
人工智能·llm·nlp
你可以叫我仔哥呀23 分钟前
Java程序员学从0学AI(七)
java·开发语言·人工智能·ai·spring ai
益莱储中国27 分钟前
是德科技 | AI上车后,这条“高速公路”如何畅通?
人工智能·科技
小张童鞋。33 分钟前
Datawhale AI夏令营--Task2:理解项目目标、从业务理解到技术实现!
人工智能
AI4Sci.33 分钟前
在云服务器上基于lora微调Qwen2.5-VL-7b-Instruct模型(下)
人工智能·算法·机器学习·大模型·lora微调·大模型本地部署·qwen2.5-vl-7b
阿里云大数据AI技术44 分钟前
数据开发再提速!DataWorks正式接入Qwen3-Coder
大数据·人工智能·数据分析
Xxtaoaooo1 小时前
MCP协议全景解析:从工业总线到AI智能体的连接革命
大数据·人工智能·mcp协议·mcp解析·工业mcp
TiAmo zhang1 小时前
深度学习与图像处理 | 基于PaddlePaddle的梯度下降算法实现(线性回归投资预测)
图像处理·深度学习·算法
空中湖1 小时前
PyTorch武侠演义 第一卷:初入江湖 第7章:矿洞中的计算禁制
人工智能·pytorch·python
新智元1 小时前
毕树超入职Meta后首发声:十年前怀疑AGI,如今深信AGI已至!
人工智能·openai