内容简介：时间序列数据是在不同时间点上统计同一指标，并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来。循环神经网络（Recurrent Neural Network或RNN )就是一类用于处理序列数据的神经网络。RNN的状态，不仅受输入影响，还受前一时刻状态的影响。
时间序列数据是在不同时间点上统计同一指标，并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来。
循环神经网络（Recurrent Neural Network或RNN )就是一类用于处理序列数据的神经网络。RNN的状态，不仅受输入影响，还受前一时刻状态的影响。
一种RNN的设计模式
上图网络结构中，各循环连接是在隐藏层之间，且是共享权重的，设循环连接的权重是W。
什么是长期依赖
长期依赖是指当前系统的状态，可能受很长时间之前系统状态的影响，是RNN中无法解决的一个问题。
如果从“ 这块冰糖味道真？ ”来预测下一个词，是很容易得出“ 甜 ”结果的。但是如果有这么一句话，“ 他吃了一口菜，被辣的流出了眼泪，满脸通红。旁边的人赶紧给他倒了一杯凉水，他咕咚咕咚喝了两口，才逐渐恢复正常。他气愤地说道：这个菜味道真？ ”，让你从这句话来预测下一个词，确实很难预测的。因为出现了长期依赖，预测结果要依赖于很长时间之前的信息。
长期依赖问题
理论上，通过调整参数，RNN是可以学习到时间久远的信息的。但是，实践中的结论是，RNN很难学习到这种信息的。 RNN 会丧失学习时间价格较大的信息的能力， 导致长期记忆失效。
长期记忆失效的原因
RNN中，我们可以认为，循环连接是非常简单的，缺少非线性激活函数的。以文章第一张图的RNN为例，连接关系可以表示为。如果abs(W)<1，因为前的系数为W，也就是t-1时间的状态信息传递到t时刻，成为了原来的W倍。如果逐层迭代，将写成含的表达式，那么前面的系数会是。abs(W)<1时，是非常小的一个数，可以认为对几乎不产生影响。也就是0时刻的信息几乎被遗忘，就导致了长期记忆失效。
解决长期依赖问题有很多方法的，其中长短时记忆网络（LSTM）是比较常用的一个。
参考资料
[1] Yoshua Bengio.Deep Learning
[2] Christopher Olah.http://colah.github.io/posts/2015-08-Understanding-LSTMs/
本文作者：曲曲菜（微信公众号： 曲曲菜 ）
原创作品，未标明作者不得转载。
更多AI和金融知识，长按图片关注作者公众号
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
