Рекурсивные нейронные сети — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
(Применение)
(Описание)
Строка 18: Строка 18:
 
Рекурсивная нейронная сеть использует следующую формулу для вычисления родительского вектора:
 
Рекурсивная нейронная сеть использует следующую формулу для вычисления родительского вектора:
  
<math>p_{1} = f\left(W[b ; c]\right)</math>
+
<math>p_{1} = f\left(W[b ; c]+ bias\right)</math>
  
*<math>b, c</math> - дочерние векторы
+
*<math>b, c</math> дочерние векторы
  
 
*<math>W</math> — обученная матрица весов, <math>W \in R^{d \times 2d}</math>
 
*<math>W</math> — обученная матрица весов, <math>W \in R^{d \times 2d}</math>
  
*<math>f</math> - нелинейную функция активации типа гиперболического тангенса
+
*<math>f</math> нелинейную функция активации типа гиперболического тангенса
 +
 
 +
*<math>bias</math> - cмещение, оно может быть добавлено в качестве дополнительного столбца к W, если к конкатенации входных векторов добавляется 1.
 +
Родительские векторы должны иметь одинаковую размерность, чтобы быть рекурсивно совместимыми и использоваться в качестве входных данных для следующей композиции.
  
 
Последующие шаги получают на вход score предыдущего корня и следующее слово последовательности, таким образом пока в сети не будет сформировано дерево со всеми словами в последовательности.
 
Последующие шаги получают на вход score предыдущего корня и следующее слово последовательности, таким образом пока в сети не будет сформировано дерево со всеми словами в последовательности.
Строка 32: Строка 35:
 
<math>s(x,y) =  \sum\limits_{n \in nodes(y)}s_n</math>
 
<math>s(x,y) =  \sum\limits_{n \in nodes(y)}s_n</math>
  
После выбора структуры, сеть классифицирует части последовательности. Вероятность принадлежности к классу вектора p вычисляется классификатором с помощью функции Softmax.
+
После выбора структуры, сеть классифицирует части последовательности. Вероятность принадлежности к классу вектора p вычисляется классификатором с помощью функции Softmax:
 +
 
 +
<math>label_{p} = softmax(W^{label}p)</math>
 +
 
 +
Здесь <math>W^{label}</math> — матрица классификаций. Основной задачей и разницей между моделями будет вычисление скрытых векторов <math>p_i\in R^{d}</math> снизу вверх.
 +
 
 +
===Алгоритм обратного распространения ошибки===
 +
В рекурсивных нейронных сетях используется [[:Обратное_распространение_ошибки|алгоритм обратного распространения ошибки (backpropagation)]] с некоторыми отличиями, вытекающими из древовидной структуры и рекурсии:
 +
* Сумма производных матрицы W от всех узлов. Можно предположить, что она разная на каждом узле, однако если взять отдельные производные от каждого вхождения, то получится то же самое.
 +
* Разделение производных в каждом узле. Во время прямого распространения, родительский вектор считается через дочерние узлы по формуле выше. Следовательно, ошибки должны быть вычислены относительно каждого из них, причём ошибка каждого дочернего узла является n-мерной
  
 
=Рекурсивные и рекуррентные нейронные сети=
 
=Рекурсивные и рекуррентные нейронные сети=

Версия 18:34, 13 апреля 2020

Рекурсивная нейронная сеть — тип глубокой нейронной сети, сформированный при применении одних и тех же наборов весов рекурсивно через структуру в виде дерева, чтобы сделать скалярное или структурированное предсказание над входными данными переменного размера через обход дерева в топологическом порядке.[1]


Применение

Модели рекурсивных сетей используют иерархические структуры образцов при обучении, поэтому они преуспели в следующих областях:

  • Обработка естественного языка. В Socher et al.(2013c) они используются для предсказания тональности предложения:

NLP via RvNN.png

  • Обработка изображений с природными ландшафтами (Socher et al.(2011)).

Parsing Natural Scenes Images RvNN.png

Описание

При обучении последовательных структур и деревьев в задачах обработки естественного языка, фразы и предложения моделируются через векторное представление слов. 

Базовая структура сети является бинарным деревом, состоящим из родительского компонента (корня), и дочерних компонентов (листьев) Каждая группа - набор нейронов, размер которого зависит от сложности входных данных. Входная последовательность данных подаются на листья, а корень использует классификатор для определения класса и меры (score)

Рекурсивная нейронная сеть использует следующую формулу для вычисления родительского вектора:

[math]p_{1} = f\left(W[b ; c]+ bias\right)[/math]

  • [math]b, c[/math] — дочерние векторы
  • [math]W[/math] — обученная матрица весов, [math]W \in R^{d \times 2d}[/math]
  • [math]f[/math] — нелинейную функция активации типа гиперболического тангенса
  • [math]bias[/math] - cмещение, оно может быть добавлено в качестве дополнительного столбца к W, если к конкатенации входных векторов добавляется 1.

Родительские векторы должны иметь одинаковую размерность, чтобы быть рекурсивно совместимыми и использоваться в качестве входных данных для следующей композиции.

Последующие шаги получают на вход score предыдущего корня и следующее слово последовательности, таким образом пока в сети не будет сформировано дерево со всеми словами в последовательности.

Деревья могут иметь разную структуру, выбор лучшей подструктуры дерева для сети основывается на их мере. Мера дерева - сумма мер на каждом узле:

[math]s(x,y) = \sum\limits_{n \in nodes(y)}s_n[/math]

После выбора структуры, сеть классифицирует части последовательности. Вероятность принадлежности к классу вектора p вычисляется классификатором с помощью функции Softmax:

[math]label_{p} = softmax(W^{label}p)[/math]

Здесь [math]W^{label}[/math] — матрица классификаций. Основной задачей и разницей между моделями будет вычисление скрытых векторов [math]p_i\in R^{d}[/math] снизу вверх.

Алгоритм обратного распространения ошибки

В рекурсивных нейронных сетях используется алгоритм обратного распространения ошибки (backpropagation) с некоторыми отличиями, вытекающими из древовидной структуры и рекурсии:

  • Сумма производных матрицы W от всех узлов. Можно предположить, что она разная на каждом узле, однако если взять отдельные производные от каждого вхождения, то получится то же самое.
  • Разделение производных в каждом узле. Во время прямого распространения, родительский вектор считается через дочерние узлы по формуле выше. Следовательно, ошибки должны быть вычислены относительно каждого из них, причём ошибка каждого дочернего узла является n-мерной

Рекурсивные и рекуррентные нейронные сети

Рекуррентная нейронная сеть представляет собой рекурсивную сеть со специфической структурой - в виде линейной цепочки. Рекурсивные сети работают на структурах общего типа, включающих иерархию, рекуррентные сети работают исключительно на линейной прогрессии во времени, связывая предыдущий момент времени со следующим через скрытый нейронный слой.[2]

Примеры кода

Примеры кода на TensorFlow:

Cм. также

Источники

  • [1]
  • [2]
  • Источник — «http://neerc.ifmo.ru/wiki/index.php?title=Рекурсивные_нейронные_сети&oldid=73622»