使用成熟的Tensorflow、PyTorch框架去实现递归神经网络（RNN），已经极大降低了技术的使用门槛。
但是，对于初学者，这还是远远不够的。知其然，更需知其所以然。
要避免低级错误，打好理论基础，然后使用RNN去解决更多实际的问题的话。
那么，有一个有趣的问题可以思考一下：
不使用Tensorflow等框架，只有Numpy的话，你该如何构建RNN？
没有头绪也不用担心。这里便有一项教程：使用Numpy从头构建用于NLP领域的RNN。
可以带你行进一遍RNN的构建流程。
初始化参数
与传统的神经网络不同，RNN具有3个权重参数，即：
输入权重（input weights），内部状态权重（internal state weights）和输出权重（output weights）
首先用随机数值初始化上述三个参数。
之后，将词嵌入维度（word_embedding dimension）和输出维度（output dimension）分别初始化为100和80。
输出维度是词汇表中存在的唯一词向量的总数。
hidden_dim=100output_dim=80#thisisthetotaluniquewordsinthevocabularyinput_weights=np.random.uniform(0,1,(hidden_dim,hidden_dim))internal_state_weights=np.random.uniform(0,1,(hidden_dim,hidden_dim))output_weights=np.random.uniform(0,1,(output_dim,hidden_dim))
变量prev_memory指的是internal_state（这些是先前序列的内存）。
其他参数也给予了初始化数值。
input_weight梯度，internal_state_weight梯度和output_weight梯度分别命名为dU，dW和dV。
变量bptt_truncate表示网络在反向传播时必须回溯的时间戳数，这样做是为了克服梯度消失的问题。
prev_memory=np.zeros((hidden_dim,1))learning_rate=0.0001nepoch=25T=4#lengthofsequencebptt_truncate=2dU=np.zeros(input_weights.shape)dV=np.zeros(output_weights.shape)dW=np.zeros(internal_state_weights.shape)
前向传播
输出和输入向量
例如有一句话为：I like to play.，则假设在词汇表中：
I被映射到索引2，like对应索引45，to对应索引10、**对应索引64而标点符号.** 对应索引1。
为了展示从输入到输出的情况，我们先随机初始化每个单词的词嵌入。
input_string=[2,45,10,65]embeddings=[]#thisisthesentenceembeddinglistthatcontainstheembeddingsforeachwordforiinrange(0,T):x=np.random.randn(hidden_dim,1)embeddings.append(x)
输入已经完成，接下来需要考虑输出。
在本项目中，RNN单元接受输入后，输出的是下一个最可能出现的单词。
用于训练RNN，在给定第t+1个词作为输出的时候将第t个词作为输入，例如：在RNN单元输出字为“like”的时候给定的输入字为“I”.
现在输入是嵌入向量的形式，而计算损失函数（Loss）所需的输出格式是独热编码（One-Hot）矢量。
这是对输入字符串中除第一个单词以外的每个单词进行的操作，因为该神经网络学习只学习的是一个示例句子，而初始输入是该句子的第一个单词。
RNN的黑箱计算
现在有了权重参数，也知道输入和输出，于是可以开始前向传播的计算。
训练神经网络需要以下计算：
其中：
U代表输入权重、W代表内部状态权重，V代表输出权重。
输入权重乘以input(x)，内部状态权重乘以前一层的激活（prev_memory）。
层与层之间使用的激活函数用的是tanh。
deftanh_activation(Z):return(np.exp(Z)-np.exp(-Z))/(np.exp(Z)-np.exp(-Z))#thisisthetanhfunctioncanalsobewrittenasnp.tanh(Z)defsoftmax_activation(Z):e_x=np.exp(Z-np.max(Z))#thisisthecodeforsoftmaxfunctionreturne_x/e_x.sum(axis=0) defRnn_forward(input_embedding,input_weights,internal_state_weights,prev_memory,output_weights):forward_params=[]W_frd=np.dot(internal_state_weights,prev_memory)U_frd=np.dot(input_weights,input_embedding)sum_s=W_frd+U_frdht_activated=tanh_activation(sum_s)yt_unactivated=np.asarray(np.dot(output_weights,tanh_activation(sum_s)))yt_activated=softmax_activation(yt_unactivated)forward_params.append([W_frd,U_frd,sum_s,yt_unactivated])returnht_activated,yt_activated,forward_params
计算损失函数
之后损失函数使用的是交叉熵损失函数，由下式给出：
defcalculate_loss(output_mapper,predicted_output):total_loss=0layer_loss=[]fory,y_inzip(output_mapper.values(),predicted_output):#thisforloopcalculationisforthefirstequation,wherelossforeachtime-stampiscalculatedloss=-sum(y[i]*np.log2(y_[i])foriinrange(len(y)))lossloss=loss/float(len(y))layer_loss.append(loss)foriinrange(len(layer_loss)):#thisthetotallosscalculatedforallthetime-stampsconsideredtogether.total_losstotal_loss=total_loss+layer_loss[i]returntotal_loss/float(len(predicted_output))
最重要的是，我们需要在上面的代码中看到第5行。
正如所知，ground_truth output(y)的形式是[0，0，….，1，…0]和predicted_output(y^hat)是[0.34，0.03，……，0.45]的形式，我们需要损失是单个值来从它推断总损失。
为此，使用sum函数来获得特定时间戳下y和y^hat向量中每个值的误差之和。
total_loss是整个模型（包括所有时间戳）的损失。
反向传播
反向传播的链式法则：
如上图所示：
Cost代表误差，它表示的是y^hat到y的差值。
由于Cost是的函数输出，因此激活a所反映的变化由dCost/da表示。
实际上，这意味着从激活节点的角度来看这个变化（误差）值。
类似地，a相对于z的变化表示为da/dz，z相对于w的变化表示为dw/dz。
最终，我们关心的是权重的变化（误差）有多大。
而由于权重与Cost之间没有直接关系，因此期间各个相对的变化值可以直接相乘（如上式所示）。
RNN的反向传播
由于RNN中存在三个权重，因此我们需要三个梯度。input_weights(dLoss / dU)，internal_state_weights(dLoss / dW)和output_weights(dLoss / dV)的梯度。
这三个梯度的链可以表示如下：
所述dLoss/dy_unactivated代码如下：
defdelta_cross_entropy(predicted_output,original_t_output):li=[]grad=predicted_outputfori,linenumerate(original_t_output):#checkifthevalueintheindexis1ornot,ifyesthentakethesameindexvaluefromthepredicted_ouputlistandsubtract1fromit.ifl==1:#grad=np.asarray(np.concatenate(grad,axis=0))grad[i]-=1returngrad
计算两个梯度函数，一个是multiplication_backward，另一个是additional_backward。
在multiplication_backward的情况下，返回2个参数，一个是相对于权重的梯度（dLoss / dV），另一个是链梯度（chain gradient），该链梯度将成为计算另一个权重梯度的链的一部分。
在addition_backward的情况下，在计算导数时，加法函数（ht_unactivated）中各个组件的导数为1。例如：dh_unactivated / dU_frd=1（h_unactivated = U_frd + W_frd），且dU_frd / dU_frd的导数为1。
所以，计算梯度只需要这两个函数。multiplication_backward函数用于包含向量点积的方程，addition_backward用于包含两个向量相加的方程。
defmultiplication_backward(weights,x,dz):gradient_weight=np.array(np.dot(np.asmatrix(dz),np.transpose(np.asmatrix(x))))chain_gradient=np.dot(np.transpose(weights),dz)returngradient_weight,chain_gradientdefadd_backward(x1,x2,dz):#thisfunctionisforcalculatingthederivativeofht_unactivatedfunctiondx1=dz*np.ones_like(x1)dx2=dz*np.ones_like(x2)returndx1,dx2deftanh_activation_backward(x,top_diff):output=np.tanh(x)return(1.0-np.square(output))*top_diff
至此，已经分析并理解了RNN的反向传播，目前它是在单个时间戳上实现它的功能，之后可以将其用于计算所有时间戳上的梯度。
如下面的代码所示，forward_params_t是一个列表，其中包含特定时间步长的网络的前向参数。
变量ds是至关重要的部分，因为此行代码考虑了先前时间戳的隐藏状态，这将有助于提取在反向传播时所需的信息。
defsingle_backprop(X,input_weights,internal_state_weights,output_weights,ht_activated,dLo,forward_params_t,diff_s,prev_s):#inlidealltheparamvaluesforallthedatathatsthereW_frd=forward_params_t[0][0]U_frd=forward_params_t[0][1]ht_unactivated=forward_params_t[0][2]yt_unactivated=forward_params_t[0][3]dV,dsv=multiplication_backward(output_weights,ht_activated,dLo)ds=np.add(dsv,diff_s)#usedfortruncationofmemorydadd=tanh_activation_backward(ht_unactivated,ds)dmulw,dmulu=add_backward(U_frd,W_frd,dadd)dW,dprev_s=multiplication_backward(internal_state_weights,prev_s,dmulw)dU,dx=multiplication_backward(input_weights,X,dmulu)#inputweightsreturn(dprev_s,dU,dW,dV)
对于RNN，由于存在梯度消失的问题，所以采用的是截断的反向传播，而不是使用原始的。
在此技术中，当前单元将只查看k个时间戳，而不是只看一次时间戳，其中k表示要回溯的先前单元的数量。
defrnn_backprop(embeddings,memory,output_t,dU,dV,dW,bptt_truncate,input_weights,output_weights,internal_state_weights):T=4#westartthebackpropfromthefirsttimestamp.fortinrange(4):prev_s_t=np.zeros((hidden_dim,1))#requiredasthefirsttimestampdoesnothaveapreviousmemory,diff_s=np.zeros((hidden_dim,1))#thisisusedforthetruncatingpurposeofrestoringapreviousinformationfromthebeforelevelpredictions=memory[yt+str(t)]ht_activated=memory[ht+str(t)]forward_params_t=memory[params+str(t)]dLo=delta_cross_entropy(predictions,output_t[t])#thelossderivativeforthatparticulartimestampdprev_s,dU_t,dW_t,dV_t=single_backprop(embeddings[t],input_weights,internal_state_weights,output_weights,ht_activated,dLo,forward_params_t,diff_s,prev_s_t)prev_s_t=ht_activatedprev=t-1dLo=np.zeros((output_dim,1))#herethelossderiativeisturnedto0aswedonotrequireitfortheturncatedinformation.#thefollowingcodeisforthetrunatedbpttanditsforeachtime-stamp.foriinrange(t-1,max(-1,t-bptt_truncate),-1):forward_params_t=memory[params+str(i)]ht_activated=memory[ht+str(i)]prev_s_i=np.zeros((hidden_dim,1))ifi==0elsememory[ht+str(prev)]dprev_s,dU_i,dW_i,dV_i=single_backprop(embeddings[t],input_weights,internal_state_weights,output_weights,ht_activated,dLo,forward_params_t,dprev_s,prev_s_i)dU_t+=dU_i#addingthepreviousgradientsonlookbacktothecurrenttimesequencedW_t+=dW_idV+=dV_tdU+=dU_tdW+=dW_treturn(dU,dW,dV)
权重更新
一旦使用反向传播计算了梯度，则更新权重势在必行，而这些是通过批量梯度下降法
defgd_step(learning_rate,dU,dW,dV,input_weights,internal_state_weights,output_weights):input_weights-=learning_rate*dUinternal_state_weights-=learning_rate*dWoutput_weights-=learning_rate*dVreturninput_weights,internal_state_weights,output_weights
训练序列
完成了上述所有步骤，就可以开始训练神经网络了。
用于训练的学习率是静态的，还可以使用逐步衰减等更改学习率的动态方法。
deftrain(T,embeddings,output_t,output_mapper,input_weights,internal_state_weights,output_weights,dU,dW,dV,prev_memory,learning_rate=0.001,nepoch=100,evaluate_loss_after=2):losses=[]forepochinrange(nepoch):if(epoch%evaluate_loss_after==0):output_string,memory=full_forward_prop(T,embeddings,input_weights,internal_state_weights,prev_memory,output_weights)loss=calculate_loss(output_mapper,output_string)losses.append(loss)time=datetime.now().strftime(\'%Y-%m-%d%H:%M:%S\')print(%s:Lossafterepoch=%d:%f%(time,epoch,loss))sys.stdout.flush()dU,dW,dV=rnn_backprop(embeddings,memory,output_t,dU,dV,dW,bptt_truncate,input_weights,output_weights,internal_state_weights)input_weights,internal_state_weights,output_weights=sgd_step(learning_rate,dU,dW,dV,input_weights,internal_state_weights,output_weights)returnlosses losses=train(T,embeddings,output_t,output_mapper,input_weights,internal_state_weights,output_weights,dU,dW,dV,prev_memory,learning_rate=0.0001,nepoch=10,evaluate_loss_after=2)
恭喜你！你现在已经实现从头建立递归神经网络了！
那么，是时候了，继续向LSTM和GRU等的高级架构前进吧。
