?PaperWeekly 原創(chuàng) ·?作者｜蘇劍林

單位｜追一科技

研究方向｜NLP、神經(jīng)網(wǎng)絡

盡管 Transformer 類的模型已經(jīng)攻占了 NLP 的多數(shù)領域，但諸如 LSTM、GRU?之類的 RNN?模型依然在某些場景下有它的獨特價值，所以 RNN 依然是值得我們好好學習的模型。而于 RNN 梯度的相關分析，則是一個從優(yōu)化角度思考分析模型的優(yōu)秀例子，值得大家仔細琢磨理解。君不見，諸如“LSTM 為什么能解決梯度消失/爆炸”等問題依然是目前流行的面試題之一。

▲經(jīng)典的LSTM

關于此類問題，已有不少網(wǎng)友做出過回答，然而筆者查找了一些文章（包括知乎上的部分回答、專欄以及經(jīng)典的英文博客），發(fā)現(xiàn)沒有找到比較好的答案：有些推導記號本身就混亂不堪，有些論述過程沒有突出重點，整體而言感覺不夠清晰自洽。為此，筆者也嘗試給出自己的理解，供大家參考。

RNN及其梯度

RNN 的統(tǒng)一定義為：

其中 是每一步的輸出，它由當前輸入 和前一時刻輸出 共同決定，而 則是可訓練參數(shù)。在做最基本的分析時，我們可以假設 都是一維的，這可以讓我們獲得最直觀的理解，并且其結果對高維情形仍有參考價值。之所以要考慮梯度，是因為我們目前主流的優(yōu)化器還是梯度下降及其變種，因此要求我們定義的模型有一個比較合理的梯度。我們可以求得：

可以看到，其實 RNN 的梯度也是一個 RNN，當前時刻梯度 是前一時刻梯度 與當前運算梯度 的函數(shù)。同時，從上式我們就可以看出，其實梯度消失或者梯度爆炸現(xiàn)象幾乎是必然存在的：

當 時，意味著歷史的梯度信息是衰減的，因此步數(shù)多了梯度必然消失（好比 ）；當 ，因為這歷史的梯度信息逐步增強，因此步數(shù)多了梯度必然爆炸（好比 ）。總不可能一直 吧？當然，也有可能有些時刻大于 1，有些時刻小于 1，最終穩(wěn)定在 1 附近，但這樣概率很小，需要很精巧地設計模型才行。

所以步數(shù)多了，梯度消失或爆炸幾乎都是不可避免的，我們只能對于有限的步數(shù)去緩解這個問題。

消失還是爆炸？

說到這里，我們還沒說清楚一個問題：什么是 RNN 的梯度消失/爆炸？梯度爆炸好理解，就是梯度數(shù)值發(fā)散，甚至慢慢就 NaN 了；那梯度消失就是梯度變成零嗎？并不是，我們剛剛說梯度消失是 一直小于 1，歷史梯度不斷衰減，但不意味著總的梯度就為 0 了，具體來說，一直迭代下去，我們有：

顯然，其實只要 不為 0，那么總梯度為 0 的概率其實是很小的；但是一直迭代下去的話，那么 這一項前面的稀疏就是 t-1 項的連乘 ，如果它們的絕對值都小于 1，那么結果就會趨于 0，這樣一來， 幾乎就沒有包含最初的梯度 的信息了。

這才是 RNN 中梯度消失的含義：距離當前時間步越長，那么其反饋的梯度信號越不顯著，最后可能完全沒有起作用，這就意味著 RNN 對長距離語義的捕捉能力失效了。

說白了，你優(yōu)化過程都跟長距離的反饋沒關系，怎么能保證學習出來的模型能有效捕捉長距離呢？

幾個數(shù)學公式

上面的文字都是一般性的分析，接下來我們具體 RNN 具體分析。不過在此之前，我們需要回顧幾條數(shù)學公式，后面的推導中我們將多次運用到這幾條公式：

其中 是 sigmoid 函數(shù)。這幾條公式其實就是說了這么一件事： 和 基本上是等價的，它們的導數(shù)均可以用它們自身來表示。

簡單RNN分析

首先登場的是比較原始的簡單 RNN（有時候我們確實直接稱它為 SimpleRNN），它的公式為：

其中 W,U,b 是待優(yōu)化參數(shù)。看到這里很自然就能提出第一個疑問：為什么激活函數(shù)用 而不是更流行的 ？這是個好問題，我們很快就會回答它。

從上面的討論中我們已經(jīng)知道，梯度消失還是爆炸主要取決于 ，所以我們計算：

由于我們無法確定 U 的范圍，因此 可能小于 1 也可能大于 1，梯度消失/爆炸的風險是存在的。但有意思的是，如果 |U| 很大，那么相應地 就會很接近 1 或 -1，這樣 反而會小，事實上可以嚴格證明：如果固定 ，那么 作為 U 的函數(shù)是有界的，也就是說不管 U 等于什么，它都不超過一個固定的常數(shù)。

這樣一來，我們就能回答為什么激活函數(shù)要用 了，因為激活函數(shù)用 后，對應的梯度 是有界的，雖然這個界未必是 1，但一個有界的量不超過 1 的概率總高于無界的量，因此梯度爆炸的風險更低。相比之下，如果用 激活的話，它在正半軸的導數(shù)恒為 1，此時 是無界的，梯度爆炸風險更高。

所以，RNN 用 而不是 的主要目的就是緩解梯度爆炸風險。當然，這個緩解是相對的，用了 依然有爆炸的可能性。事實上，處理梯度爆炸的最根本方法是參數(shù)裁剪或梯度裁剪，說白了，就是我人為地把 U 給裁剪到 [-1,1] 內，那不就可以保證梯度不爆了嗎？

當然，又有讀者會問，既然裁剪可以解決問題，那么是不是可以用 了？確實是這樣子，配合良好的初始化方法和參數(shù)/梯度裁剪方案， 版的 RNN 也可以訓練好，但是我們還是愿意用 ，這還是因為它對應的 有界，要裁剪也不用裁剪得太厲害，模型的擬合能力可能會更好。

LSTM的結果

當然，裁剪的方式雖然也能 work，但終究是無奈之舉，況且裁剪也只能解決梯度爆炸問題，解決不了梯度消失，如果能從模型設計上解決這個問題，那么自然是最好的。傳說中的 LSTM 就是這樣的一種設計，真相是否如此？我們馬上來分析一下。

LSTM 的更新公式比較復雜，它是：

我們可以像上面一樣計算 ，但從 可以看出分析 就等價于分析 ，而計算 顯得更加簡單一些，因此我們往這個方向走。

同樣地，我們先只關心 1 維的情形，這時候根據(jù)求導公式，我們有：

右端第一項 ，也就是我們所說的“遺忘門”，從下面的論述我們可以知道一般情況下其余三項都是次要項，因此 是“主項”，由于 在 0～1 之間，因此就意味著梯度爆炸的風險將會很小，至于會不會梯度消失，取決于 是否接近于 1。

但非常碰巧的是，這里有個相當自洽的結論：如果我們的任務比較依賴于歷史信息，那么 就會接近于 1，這時候歷史的梯度信息也正好不容易消失；如果 很接近于 0，那么就說明我們的任務不依賴于歷史信息，這時候就算梯度消失也無妨了。

所以，現(xiàn)在的關鍵就是看“其余三項都是次要項”這個結論能否成立。后面的三項都是“一項乘以另一項的偏導”的形式，而且求偏導的項都是 或 激活，前面在回顧數(shù)學公式的時候說了 和 基本上是等價的，因此后面三項是類似的，分析了其中一項就相當于分析了其余兩項。以第二項為例，代入 ，可以算得：

注意到 ，都是在 0～1 之間，也可以證明 ，因此它也在 - 1～1 之間。所以說白了 就相當于 1 個 乘上 4 個門，結果會變得更加小，所以只要初始化不是很糟糕，那么它都會被壓縮得相當小，因此占不到主導作用。

跟簡單 RNN 的梯度（6）相比，它也多出了 3 個門，說直觀一點那就是：1 個門我壓不垮你，多來幾個門還不行么？

剩下兩項的結論也是類似的：

所以，后面三項的梯度帶有更多的“門”，一般而言乘起來后會被壓縮的更厲害，因此占主導的項還是 ， 在 0～1 之間這個特性決定了它梯度爆炸的風險很小，同時 表明了模型對歷史信息的依賴性，也正好是歷史梯度的保留程度，兩者相互自洽，所以 LSTM 也能較好地緩解梯度消失問題。

因此，LSTM 同時較好地緩解了梯度消失/爆炸問題，現(xiàn)在我們訓練 LSTM 時，多數(shù)情況下只需要直接調用 Adam 等自適應學習率優(yōu)化器，不需要人為對梯度做什么調整了。

當然，這些結果都是“概論”，你非要構造一個會梯度消失/爆炸的 LSTM 來，那也是能構造出來的。此外，就算 LSTM 能緩解這兩個問題，也是在一定步數(shù)內，如果你的序列很長，比如幾千上萬步，那么該消失的還會消失。畢竟單靠一個向量，也緩存不了那么多信息啊～

順便看看GRU

在文章結束之前，我們順便對 LSTM 的強力競爭對手 GRU 也做一個分析。GRU 的運算過程為：

還有個更極端的版本是將 合成一個：

不管是哪一個，我們發(fā)現(xiàn)它在算 的時候， 都是先乘個 變成 ，不知道讀者是否困惑過這一點？直接用 不是更簡潔更符合直覺嗎？

首先我們觀察到，而 一般全零初始化， 則因為 激活，因此結果必然在 -1～1 之間，所以作為 與 的加權平均的 也一直保持在 -1～1 之間，因此 本身就有類似門的作用。這跟LSTM的 不一樣，理論上 是有可能發(fā)散的。了解到這一點后，我們再去求導：

其實結果跟 LSTM 的類似，主導項應該是 ，但剩下的項比 LSTM 對應的項少了 1 個門，因此它們的量級可能更大，相對于 LSTM 的梯度其實更不穩(wěn)定，特別是 這步操作，雖然給最后一項引入了多一個門 ，但也同時引入了多一項 ，是好是歹很難說。總體相對而言，感覺 GRU 應該會更不穩(wěn)定，比 LSTM 更依賴于好的初始化方式。

針對上述分析結果，個人認為如果沿用 GRU 的思想，又需要簡化 LSTM 并且保持 LSTM 對梯度的友好性，更好的做法是把 放到最后：

當然，這樣需要多緩存一個變量，帶來額外的顯存消耗了。

文章總結概述

本文討論了 RNN 的梯度消失/爆炸問題，主要是從梯度函數(shù)的有界性、門控數(shù)目的多少來較為明確地討論 RNN、LSTM、GRU 等模型的梯度流情況，以確定其中梯度消失/爆炸風險的大小。本文屬于閉門造車之作，如有錯漏，請讀者海涵并斧正。

更多閱讀

#投 稿?通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質內容以更短路徑到達讀者群體，縮短讀者尋找優(yōu)質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優(yōu)質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

?????來稿標準：

? 稿件確系個人原創(chuàng)作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發(fā)，請在投稿時提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認每篇文章都是首發(fā)，均會添加“原創(chuàng)”標志

?????投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發(fā)送?

? 請留下即時聯(lián)系方式（微信或手機），以便我們在編輯發(fā)布時和作者溝通

????

現(xiàn)在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的也来谈谈RNN的梯度消失/爆炸问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。