循环神经网络出现梯度消失现象的推导公式
时间: 2023-06-16 10:06:04 浏览: 52
循环神经网络(RNN)中的梯度消失问题是由于反向传播算法中的链式法则导致的。如果在RNN中使用标准的反向传播算法,每个时间步的梯度将乘以一个矩阵,这个矩阵也就是RNN的权重矩阵。如果这个权重矩阵的所有特征值都小于1,那么在反向传播中,梯度会在时间步骤中指数级地减小,这就是所谓的梯度消失问题。
具体地,我们可以考虑一个时间步骤为t的RNN单元,其输入为$x_t$,输出为$h_t$,权重矩阵为$W$,激活函数为$f$。假设我们的目标是最小化损失函数$L$,则RNN的参数可以通过反向传播算法来更新。
对于第$t$个时间步骤的参数更新,我们需要计算$L$对$h_t$的梯度,即$\frac{\partial L}{\partial h_t}$。由于$h_t$同时影响到后续时间步骤的输出,我们还需要计算$L$对后续时间步骤的$h_{t+1}, h_{t+2}, ...$的梯度,即$\frac{\partial L}{\partial h_{t+i}}$。根据链式法则,$\frac{\partial L}{\partial h_{t+i}}$可以表示为:
$$
\frac{\partial L}{\partial h_{t+i}} = \frac{\partial L}{\partial h_{t+i-1}} \frac{\partial h_{t+i-1}}{\partial h_{t+i}} = \frac{\partial L}{\partial h_{t+i-1}} W
$$
其中,$\frac{\partial h_{t+i-1}}{\partial h_{t+i}}$就是RNN的权重矩阵$W$。因此,我们可以得到:
$$
\frac{\partial L}{\partial h_t} = \sum_{i=t}^{T} \frac{\partial L}{\partial h_i} \frac{\partial h_i}{\partial h_t} = \sum_{i=t}^{T} \frac{\partial L}{\partial h_i} \prod_{j=t+1}^{i} W
$$
其中,$T$是序列的长度。从上面的公式可以看出,如果矩阵$W$的所有特征值都小于1,那么在求解$\frac{\partial L}{\partial h_t}$时,梯度会在每个时间步骤中指数级地减小,从而导致梯度消失问题。