实用指南：3 传统序列模型—

实用指南：3 传统序列模型——RNN

文章目录

1 概述
2 基础结构
3 多层结构
4 双向结构
5 多层 + 双向结构
6 API 使用
- 6.1 参数说明
- 6.2 输入输出
- - 6.2.1 示例代码
  - 6.2.2 输入输出内容
  - 6.2.3 输入输出形状
7 案例实操——智能输入法
- 7.1 需求说明
- 7.2 需求分析
- - 7.2.1 数据集处理
  - 7.2.2 模型结构设计
  - 7.2.3 训练方案

1 概述

虽然词向量能够表示词语的语义，但它本身并不包含词语之间的顺序信息。为了解决这一问题，研究者提出RNN（Recurrent Neural Network，循环神经网络）。

RNN 会逐个读取句子中的词语，并在每一步结合当前词和前面的上下文信息，不断更新对句子的理解。通过这种机制，RNN 能够持续建模上下文，从而更准确地把握句子的整体语义。因此RNN曾是序列建模领域的主流模型，被广泛应用于各类NLP任务。

2 基础结构

RNN（循环神经网络）的核心结构是一个具有循环连接的隐藏层，它以时间步（time step）为单位，依次处理输入序列中的每个 token。
在这里插入图片描述

在每个时间步，RNN 接收当前 token 的向量和上一个时间步的隐藏状态（即隐藏层的输出），计算并生成新的隐藏状态，并将其传递到下一时间步。
在这里插入图片描述

隐藏层的计算公式为： $h_t = \tanh(x_t W_x + h_{t-1} W_h + b)$

3 多层结构

为了让模型捕捉更复杂的语言特征，可以将多个 RNN 层按层次堆叠起来，使不同层学习不同层次的语义信息。
在这里插入图片描述

这种设计的核心假设是：底层网络更容易捕捉局部模式（如词组、短语），而高层网络则能学习更抽象的语义信息（如句子主题或语境）。

多层 RNN 结构中，每一层的输出序列会作为下一层的输入序列，最底层 RNN 接收原始输入序列，顶层 RNN 的输出作为最终结果用于后续任务。

4 双向结构

基础的 RNN 在每个时间步只输出一个隐藏状态，该状态仅包含来自上文的信息，而无法利用当前词之后的下文。

对于一些任务而言，这是一个明显的限制。比如在序列标注任务中，模型需要为每个 token 预测一个标签，如果只能参考前文信息，往往难以做出准确判断。

而使用双向 RNN（Bidirectional RNN），模型可以在每个时间步同时利用前文和后文的信息，从而获得更全面的上下文表示，有助于提升序列标注等任务的预测效果。
在这里插入图片描述

双向 RNN 同时使用两层 RNN：

正向 RNN：按照时间顺序（从前到后）处理序列；
反向 RNN：按照逆时间顺序（从后到前）处理序列。

每个时间步的输出，是正向和反向隐藏状态的组合（例如拼接或求和）。

5 多层 + 双向结构

多层结构和双向结构还可组合使用，每层都是一个双向RNN。
在这里插入图片描述

6 API 使用

PyTorch 提供了torch.nn.RNN模块用于构建循环神经网络（Recurrent Neural Network, RNN）。该模块支持单层或多层结构，也可通过设置参数启用双向 RNN（bidirectional），适用于处理序列建模相关任务。

6.1 参数说明

构造RNN层所需的参数如下：

torch.nn.RNN(
input_size, # 词向量维度
hidden_size, # 隐藏状态维度
num_layers=1, # RNN层数
nonlinearity="tanh", # 激活函数
bias=True, # 是否使用偏置项
batch_first=False, # 输入张量是否是(batch, seq, feature)
dropout=0.0, # 除最后一层外，其余层之间的 dropout 概率
bidirectional=False, # 是否为双向
device=None, # 模块的初始化设备
dtype=None, # 模块式初始化时的默认数据类型
)

6.2 输入输出

6.2.1 示例代码

rnn = torch.nn.RNN()
output, h_n = rnn(input, h_0)

6.2.2 输入输出内容

输入
- input：输入序列，形状为 (seq_len, batch_size, input_size)，如果 batch_first=True，则为 (batch_size, seq_len, input_size)
- h_0：可选，初始隐藏状态，形状为 (num_layers × num_directions, batch_size, hidden_size)
输出
- output：RNN层的输出，包含最后一层每个时间步的隐藏状态，形状为 (seq_len, batch_size, num_directions × hidden_size )，如果如果 batch_first=True，则为(batch_size, seq_len, num_directions × hidden_size )
- h_n：最后一个时间步的隐藏状态，包含每一层的每个方向，形状为 (num_layers × num_directions, batch_size, hidden_size)