论文笔记：Visualizing and understanding recurrent networks

模型:

• RNN，分别尝试层数为 1 层、2 层和 3 层，隐层大小分别尝试 64, 128, 256 和 512，共 12 个模型
• LSTM，同 RNN
• GRU，同 RNN

实验和结论

• 用上述模型在两个数据集上训练语言模型，最后在测试集上计算交叉熵误差，对比三类共 36 个模型之间的结果

• 对 LSTM/GRU 的 gate 输出分布做可视化分析。如下图所示，图中的小圆圈代表一个神经元，横轴表示该神经元 gate 值超过 0.9 的比例，纵轴是 gate 值小于 0.1 的比例

  

  其中

  • forget gate 值超过 0.9 的比例很大的神经元，说明它能一直记住比较早之前的信息
  • input gate 值超过 0.9 的比例很大的神经元，说明它对当前输入比较敏感
  • output gate 的值超过 0.9 的比例很大的神经元，没什么意义，单纯的控制大小

  对 LSTM 而言

  • 第一层只有很少一部分 gate 值超过 0.9 或小于 0.1，其比例比较密集地分布在 0 附近，说明大部分都是在 0.1 到 0.9 之间
  • 有一些神经元 forget gate 值超过 0.9 的比例超级大,也就是说它一直都超过 0.9，一直记着很早以前的东西
  • 有一些神经元 forget gate 的值小于 0.1 的比例很大，但没有一直都小于 0.1 的，比例最大在 0.8 左右
  • input gate 倾向于超过 0.9(相对比例大的神经元更多), output gate 的值分布比较均匀

  对 GRU 来说

  • 第一层的 update gate 普遍比较大而 reset gate 普遍比较小，注意本文中的 update gate 相当于 LSTM 中的 input gate
  • 高层不像第一层那么极端，但总体形式差不多，就是 update gate 大而 reset gate 小这样

• 分析了 LSTM 在《战争与和平》文本上的错误类型

  • ngram 错误，1-9 阶 ngram 模型能预测正确但 LSTM 预测失败的部分
  • 罕见词错误: 既由词频不大于 5 的词导致的错误。这部分错误通过扩充数据集和 pretraining 是可以得到缓解的
  • 词建模错误: 在遇到空格、换行、引号等词分隔符后，预测错了下一个词的第一个字符，和前面个动态长期记忆错误不一样的是，这个相当于在前面的词的基础上要选择一个词，而前面那个相当于是已经知道是什么词了，但是要补全它，这两者的信息量是完全不一样的
  • 标点符号预测错
  • 最后剩余的错误称为 boost error，

结论

• 多个隐藏层模型比单个隐藏层模型的效果要好
• LSTM 和 GRU 之间难分伯仲，但都显著好于 RNN
• LSTM 表现出了对长程结构的记忆能力，如在处理被引号括起来的长文本时，对开头和结尾的引号有特殊的响应
• 在多层的 LSTM/GRU 中，高层的神经元都开始分化，会有一部分倾向于接收新信息，有一部分则倾向于记住旧的信息
• GRU 的第一层几乎不怎么使用旧的信息，即使到高层后也更倾向于使用当前输入
• LSTM 建模长程依赖的能力大大超过 ngram 模型，一个 11MB 的 LSTM 模型效果能略微超过一个 3GB 的 20-gram 模型
• 对本身明显包含结构的文本(如内核代码)进行建模，当序列长度在 10 以下时，LSTM 和 20-gram 模型的差异不大，但随着序列变长，两者之间的差距逐渐变大，在 Linux 内核代码上，LSTM 能记忆的最大约 70 左右的距离
• LSTM 在迭代训练的过程中，首先建模了短程依赖，然后在此基础上逐渐地学习到对长程依赖的建模能力，这也是 seq2seq 论文中提到的逆序源语言序列有效的原因，因为这让模型先开始建模短程依赖再去建模长程依赖
• LSTM 并不能完全利用好最近的一些输入，LSTM 的错误中，有 42% 是 0-9 阶的 ngram 模型能够正确预测的
• 相信像 Memory Networks 那样，如果能直接对序列中最近的历史进行 attention 操作，那么能够提高 RNNLM 的效果
• 增大数据集、无监督预训练能提高 LSTM LM 对罕见词的效果
• 增大模型大小，显著减小了 ngram 错误，但对其他类型的错误却没有明显的改善，这说明光是增大模型大小是不够的，可能需要设计更好、更新的结构