【導(dǎo)讀】長(zhǎng)短期記憶（LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)和記憶長(zhǎng)段序列的輸入。如果你的問(wèn)題對(duì)于每個(gè)輸入都有一個(gè)輸出（如時(shí)間序列預(yù)測(cè)和文本翻譯任務(wù)），那么 LSTM 可以運(yùn)行得很好。但 LSTM 在面臨超長(zhǎng)輸入序列——單個(gè)或少量輸出的情形時(shí)就會(huì)遇到困難了。這種問(wèn)題通常被稱為序列標(biāo)記，或序列分類。
其中的一些例子包括：
包含數(shù)千個(gè)單詞的文本內(nèi)容情緒分類（自然語(yǔ)言處理）。
分類數(shù)千個(gè)時(shí)間步長(zhǎng)的腦電圖數(shù)據(jù)（醫(yī)療領(lǐng)域）。
分類數(shù)千個(gè) DNA 堿基對(duì)的編碼/非編碼基因序列（基因信息學(xué)）。
當(dāng)使用循環(huán)神經(jīng)網(wǎng)絡(luò)（如 LSTM）時(shí)，這些所謂的序列分類任務(wù)需要特殊處理。在這篇文章中，你將發(fā)現(xiàn) 6 種處理長(zhǎng)序列的方法。
1. 原封不動(dòng)
原封不動(dòng)地訓(xùn)練/輸入，這或許會(huì)導(dǎo)致訓(xùn)練時(shí)間大大增長(zhǎng)。另外，嘗試在很長(zhǎng)的序列里進(jìn)行反向傳播可能會(huì)導(dǎo)致梯度消失，反過(guò)來(lái)會(huì)削弱模型的可靠性。在大型 LSTM 模型中，步長(zhǎng)通常會(huì)被限制在 250-500 之間。
2. 截?cái)嘈蛄?/strong>
處理非常長(zhǎng)的序列時(shí)，最直觀的方式就是截?cái)嗨鼈?。這可以通過(guò)在開始或結(jié)束輸入序列時(shí)選擇性地刪除一些時(shí)間步來(lái)完成。這種方式通過(guò)失去部分?jǐn)?shù)據(jù)的代價(jià)來(lái)讓序列縮短到可以控制的長(zhǎng)度，而風(fēng)險(xiǎn)也顯而易見：部分對(duì)于準(zhǔn)確預(yù)測(cè)有利的數(shù)據(jù)可能會(huì)在這個(gè)過(guò)程中丟失。
3. 總結(jié)序列
在某些領(lǐng)域中，我們可以嘗試總結(jié)輸入序列的內(nèi)容。例如，在輸入序列為文字的時(shí)候，我們可以刪除所有低于指定字頻的文字。我們也可以僅保留整個(gè)訓(xùn)練數(shù)據(jù)集中超過(guò)某個(gè)指定值的文字。總結(jié)可以使得系統(tǒng)專注于相關(guān)性最高的問(wèn)題，同時(shí)縮短了輸入序列的長(zhǎng)度。
4. 隨機(jī)取樣
相對(duì)更不系統(tǒng)的總結(jié)序列方式就是隨機(jī)取樣了。我們可以在序列中隨機(jī)選擇時(shí)間步長(zhǎng)并刪除它們，從而將序列縮短至指定長(zhǎng)度。我們也可以指定總長(zhǎng)的選擇隨機(jī)連續(xù)子序列，從而兼顧重疊或非重疊內(nèi)容。
在缺乏系統(tǒng)縮短序列長(zhǎng)度的方式時(shí)，這種方法可以奏效。這種方法也可以用于數(shù)據(jù)擴(kuò)充，創(chuàng)造很多可能不同的輸入序列。當(dāng)可用的數(shù)據(jù)有限時(shí)，這種方法可以提升模型的魯棒性。
5. 時(shí)間截?cái)嗟姆聪騻鞑?/strong>
除基于整個(gè)序列更新模型的方法之外，我們還可以在最后的數(shù)個(gè)時(shí)間步中估計(jì)梯度。這種方法被稱為「時(shí)間截?cái)嗟姆聪騻鞑ィ═BPTT）」。它可以顯著加速循環(huán)神經(jīng)網(wǎng)絡(luò)（如 LSTM）長(zhǎng)序列學(xué)習(xí)的過(guò)程。
這將允許所有輸入并執(zhí)行的序列向前傳遞，但僅有最后數(shù)十或數(shù)百時(shí)間步會(huì)被估計(jì)梯度，并用于權(quán)重更新。一些最新的 LSTM 應(yīng)用允許我們指定用于更新的時(shí)間步數(shù)，分離出一部分輸入序列以供使用。例如：
Theano 中的「truncate_gradient」參數(shù)：deeplearning
6. 使用編碼器-解碼器架構(gòu)
你可以使用自編碼器來(lái)讓長(zhǎng)序列表示為新長(zhǎng)度，然后解碼網(wǎng)絡(luò)將編碼表示解釋為所需輸出。這可以是讓無(wú)監(jiān)督自編碼器成為序列上的預(yù)處理傳遞者，或近期用于神經(jīng)語(yǔ)言翻譯的編碼器-解碼器 LSTM 網(wǎng)絡(luò)。
當(dāng)然，目前機(jī)器學(xué)習(xí)系統(tǒng)從超長(zhǎng)序列中學(xué)習(xí)或許仍然非常困難，但通過(guò)復(fù)雜的架構(gòu)和以上一種或幾種方法的結(jié)合，我們是可以找到辦法解決這些問(wèn)題的。
其他瘋狂的想法
這里還有一些未被充分驗(yàn)證過(guò)的想法可供參考。
將輸入序列拆分為多個(gè)固定長(zhǎng)度的子序列，并構(gòu)建一種模型，將每個(gè)子序列作為單獨(dú)的特征（例如并行輸入序列）進(jìn)行訓(xùn)練。
雙向 LSTM，其中每個(gè) LSTM 單元對(duì)的一部分處理輸入序列的一半，在輸出至層外時(shí)組合。這種方法可以將序列分為兩塊或多塊處理。
我們還可以探索序列感知編碼方法、投影法甚至哈希算法來(lái)將時(shí)間步的數(shù)量減少到指定長(zhǎng)度。
推薦閱讀：
