# 6.9 深度循環神經網絡
本章到目前為止介紹的循環神經網絡只有一個單向的隱藏層,在深度學習應用里,我們通常會用到含有多個隱藏層的循環神經網絡,也稱作深度循環神經網絡。圖6.11演示了一個有`$ L $`個隱藏層的深度循環神經網絡,每個隱藏狀態不斷傳遞至當前層的下一時間步和當前時間步的下一層。
:-: 
<div align=center>圖6.11 深度循環神經網絡的架構</div>
具體來說,在時間步`$ t $`里,設小批量輸入`$ \boldsymbol{X}_t \in \mathbb{R}^{n \times d} $`(樣本數為`$ n $`,輸入個數為`$ d $`),第`$ \ell $`隱藏層(`$ \ell=1,\ldots,L $`)的隱藏狀態為`$ \boldsymbol{H}_t^{(\ell)} \in \mathbb{R}^{n \times h} $`(隱藏單元個數為`$ h $`),輸出層變量為`$ \boldsymbol{O}_t \in \mathbb{R}^{n \times q} $`(輸出個數為`$ q $`),且隱藏層的激活函數為`$ \phi $`。第1隱藏層的隱藏狀態和之前的計算一樣:
```[tex]
\boldsymbol{H}_t^{(1)} = \phi(\boldsymbol{X}_t \boldsymbol{W}_{xh}^{(1)} + \boldsymbol{H}_{t-1}^{(1)} \boldsymbol{W}_{hh}^{(1)} + \boldsymbol{b}_h^{(1)}),
```
其中權重`$ \boldsymbol{W}_{xh}^{(1)} \in \mathbb{R}^{d \times h} $`、`$ \boldsymbol{W}_{hh}^{(1)} \in \mathbb{R}^{h \times h} $`和偏差 `$ \boldsymbol{b}_h^{(1)} \in \mathbb{R}^{1 \times h} $`分別為第1隱藏層的模型參數。
當`$ 1 < \ell \leq L $` 時,第`$ \ell $`隱藏層的隱藏狀態的表達式為
```[tex]
\boldsymbol{H}_t^{(\ell)} = \phi(\boldsymbol{H}_t^{(\ell-1)} \boldsymbol{W}_{xh}^{(\ell)} + \boldsymbol{H}_{t-1}^{(\ell)} \boldsymbol{W}_{hh}^{(\ell)} + \boldsymbol{b}_h^{(\ell)}),
```
其中權重`$ \boldsymbol{W}_{xh}^{(\ell)} \in \mathbb{R}^{h \times h} $`、`$ \boldsymbol{W}_{hh}^{(\ell)} \in \mathbb{R}^{h \times h} $`和偏差 `$ \boldsymbol{b}_h^{(\ell)} \in \mathbb{R}^{1 \times h} $`分別為第`$ \ell $`隱藏層的模型參數。
最終,輸出層的輸出只需基于第`$ L $`隱藏層的隱藏狀態:
```[tex]
\boldsymbol{O}_t = \boldsymbol{H}_t^{(L)} \boldsymbol{W}_{hq} + \boldsymbol{b}_q,
```
其中權重`$ \boldsymbol{W}_{hq} \in \mathbb{R}^{h \times q} $`和偏差`$ \boldsymbol{b}_q \in \mathbb{R}^{1 \times q} $`為輸出層的模型參數。
同多層感知機一樣,隱藏層個數`$ L $`和隱藏單元個數`$ h $`都是超參數。此外,如果將隱藏狀態的計算換成門控循環單元或者長短期記憶的計算,我們可以得到深度門控循環神經網絡。
## 小結
* 在深度循環神經網絡中,隱藏狀態的信息不斷傳遞至當前層的下一時間步和當前時間步的下一層。
------------
> 注:本節與原書基本相同,[原書傳送門](https://zh.d2l.ai/chapter_recurrent-neural-networks/deep-rnn.html)
- Home
- Introduce
- 1.深度學習簡介
- 深度學習簡介
- 2.預備知識
- 2.1環境配置
- 2.2數據操作
- 2.3自動求梯度
- 3.深度學習基礎
- 3.1 線性回歸
- 3.2 線性回歸的從零開始實現
- 3.3 線性回歸的簡潔實現
- 3.4 softmax回歸
- 3.5 圖像分類數據集(Fashion-MINST)
- 3.6 softmax回歸的從零開始實現
- 3.7 softmax回歸的簡潔實現
- 3.8 多層感知機
- 3.9 多層感知機的從零開始實現
- 3.10 多層感知機的簡潔實現
- 3.11 模型選擇、反向傳播和計算圖
- 3.12 權重衰減
- 3.13 丟棄法
- 3.14 正向傳播、反向傳播和計算圖
- 3.15 數值穩定性和模型初始化
- 3.16 實戰kaggle比賽:房價預測
- 4 深度學習計算
- 4.1 模型構造
- 4.2 模型參數的訪問、初始化和共享
- 4.3 模型參數的延后初始化
- 4.4 自定義層
- 4.5 讀取和存儲
- 4.6 GPU計算
- 5 卷積神經網絡
- 5.1 二維卷積層
- 5.2 填充和步幅
- 5.3 多輸入通道和多輸出通道
- 5.4 池化層
- 5.5 卷積神經網絡(LeNet)
- 5.6 深度卷積神經網絡(AlexNet)
- 5.7 使用重復元素的網絡(VGG)
- 5.8 網絡中的網絡(NiN)
- 5.9 含并行連結的網絡(GoogLeNet)
- 5.10 批量歸一化
- 5.11 殘差網絡(ResNet)
- 5.12 稠密連接網絡(DenseNet)
- 6 循環神經網絡
- 6.1 語言模型
- 6.2 循環神經網絡
- 6.3 語言模型數據集(周杰倫專輯歌詞)
- 6.4 循環神經網絡的從零開始實現
- 6.5 循環神經網絡的簡單實現
- 6.6 通過時間反向傳播
- 6.7 門控循環單元(GRU)
- 6.8 長短期記憶(LSTM)
- 6.9 深度循環神經網絡
- 6.10 雙向循環神經網絡
- 7 優化算法
- 7.1 優化與深度學習
- 7.2 梯度下降和隨機梯度下降
- 7.3 小批量隨機梯度下降
- 7.4 動量法
- 7.5 AdaGrad算法
- 7.6 RMSProp算法
- 7.7 AdaDelta
- 7.8 Adam算法
- 8 計算性能
- 8.1 命令式和符號式混合編程
- 8.2 異步計算
- 8.3 自動并行計算
- 8.4 多GPU計算
- 9 計算機視覺
- 9.1 圖像增廣
- 9.2 微調
- 9.3 目標檢測和邊界框
- 9.4 錨框
- 10 自然語言處理
- 10.1 詞嵌入(word2vec)
- 10.2 近似訓練
- 10.3 word2vec實現
- 10.4 子詞嵌入(fastText)
- 10.5 全局向量的詞嵌入(Glove)
- 10.6 求近義詞和類比詞
- 10.7 文本情感分類:使用循環神經網絡
- 10.8 文本情感分類:使用卷積網絡
- 10.9 編碼器--解碼器(seq2seq)
- 10.10 束搜索
- 10.11 注意力機制
- 10.12 機器翻譯