大家晚安～今天要繼續講解深度學習在NLP領域的應用。開始之前讓我們先再次呼喚最default的神經網路模型出來：
這是最經典簡單的深度神經網路模型，我們可以用它來做一些分類任務。但是這個模型雖然看起來很不錯，對處理語言資料來說卻有著致命的缺點。現在大家可以回想一下我在這個系列文章裡面已經講了N次的自然語言的特徵，那個詞袋模型沒有辦法表現出來的特徵－順序性。說得更白話一點，就是「上下文」。因為所有資料都是以同等的身分進到input layer，各自經過hidden layer的處理後被輸出，所以我們沒辦法考量到他們之間的順序性。這對具有時間先後順序的資料來說也是一樣的問題。以昨天word2vec舉過的例子再更仔細一點說明的話：
我去速食店的時候，都叫漢堡來吃。
我去小吃店的時候，都叫陽春麵來吃。
如果不考慮上下文，那叫漢堡來吃跟叫陽春麵來吃對模型來說都是一樣的，他會覺得當「叫...來吃」的句式出現的時候，不管放漢堡還是陽春麵進去都沒問題。但事實上根本不會有人去速食店叫陽春麵來吃。就算有，他大概也吃不到（？）。所以為了解決這樣的問題，就有了循環神經網路（Recurrent Neural Network, RNN）的出現。
RNN跟一般神經網路模型不一樣的地方在於，他會把前一個輸入的結果記下來，而這個結果會進一步對現在這個state造成影響。就像下面這張圖一樣，原本hidden layer的每個state之間是沒有關係的，他們不會互相影響。但我們在使用RNN的時候會把一個hidden state輸出的數值交給他的下一個hidden state。
那一個hidden state收到上一個hidden state傳過來的數值要怎麼讓這個數值發揮作用呢？用數學的角度想的話就是把他加進公式裡面，想得更簡單一點其實就是除了現階段進來的input之外又多了新的input。假設我們每個時間點t都會輸入兩個字給模型，然後模型的hidden layer有三個state。因為每個hidden state都會有一個輸出，所以每個時間點的輸入都會有兩個字加上三個t-1的時候，hidden state輸出的數值，就像下面這張圖畫的一樣。
既然前一個hidden state的數值只是做為比較特別的input輸入進來，我們當然就要給他們權重值囉，只是這個權重值跟一般input的權重值會區分開來。因此我們可以得到下面的式子：
如何？聽起來還滿理想的吧？但模型終究都是有缺點的，RNN的缺點會是什麼呢？這涉及到一些微積分的運算所以在這邊沒辦法詳細說明。簡單說起來就是當前一個hidden state輸出的權重值小於1的時候，會造成訓練越到後面，數值就乘得越小，因此導致前面的權重值沒辦法更新，這樣的結果就會導致分類的準確率下降很多。我們把這樣的情況稱為梯度下降。另外一種情況是當權重值大於1的時候，因為數字越乘越大的關係，就讓模型訓練的結果變得很不穩定，這種狀況叫做梯度爆炸。總之我們可以把他視為RNN記太多前面的東西所造成的，不容小覷的問題。而至於後來專家們是如何試圖要解決這兩個問題的，就留到下一篇再說明了，明天見！
看影片追技術