深度学习——BRNN和DRNN

双向循环神经网络（Bidirectional RNN）

双向 RNN 模型可以让你在序列的某点处不仅可以获取之前的信息，还可以获取未来的信息

why we need BRNN？

这个网络有一个问题，在判断第三个词 Teddy（上图编号 1 所示）是不是人名的一部分时，光看句子前面部分是不够的，为了判断𝑦^<3>（上图编号 2 所示）是 0 还是 1，除了前3 个单词，你还需要更多的信息，因为根据前 3 个单词无法判断他们说的是 Teddy 熊，还是前美国总统 Teddy Roosevelt，所以这是一个非双向的或者说只有前向的 RNN。我刚才所说的总是成立的，不管这些单元（上图编号 3 所示）是标准的 RNN 块，还是 GRU 单元或者是LSTM 单元，只要这些构件都是只有前向的。

how can BRNN solve this problem？

输入只有 4 个，𝑥<1>到𝑥<4>。从这里开始的这个网络会有一个前向的循环单元叫做𝑎⃗⃗ <1>，𝑎⃗⃗ <2>，𝑎⃗⃗ <3>还有𝑎⃗⃗ <4>，我在这上面加个向右的箭头来表示前向的循环单元，这四个循环单元都有一个当前输入𝑥输入进去，得到预测的𝑦^<1>，𝑦<2>，𝑦^<3>和𝑦<4>。
这里有个𝑎⃖⃗⃗<1>，左箭头代表反向连接，𝑎⃖⃗⃗<2>反向连接，𝑎⃖⃗⃗<3>反向连接，𝑎⃖⃗⃗<4>反向连接，所以这里的左箭头代表反向连接。
给定一个输入序列𝑥<1>到𝑥<4>，这个序列首先计算前向的𝑎⃗⃗ <1>，然后计算前向的𝑎⃗⃗ <2>，接着𝑎⃗⃗ <3>，𝑎⃗⃗ <4>。而反向序列从计算𝑎⃖⃗⃗<4>开始，反向进行，计算反向的𝑎⃖⃗⃗<3>。你计算的是网络激活值，这不是反向而是前向的传播，而图中这个前向传播一部分计算是从左到右，一部分计算是从右到左。计算完了反向的𝑎⃖⃗⃗<3>，可以用这些激活值计算反向的𝑎⃖⃗⃗<2>，然后是反向的𝑎⃖⃗⃗<1>，把所有这些激活值都计算完了就可以计算预测结果了。
举个例子，为了预测结果，你的网络会有如𝑦^<𝑡>，𝑦^<𝑡> = 𝑔(𝑊𝑔[𝑎⃗⃗ <𝑡> , 𝑎⃖⃗⃗<𝑡>] + 𝑏𝑦)。比如你要观察时间 3 这里的预测结果，信息从𝑥<1>过来，流经这里，前向的𝑎⃗⃗ <1>到前向的𝑎⃗⃗ <2>，这些函数里都有表达，到前向的𝑎⃗⃗ <3>再到𝑦^<3>，所以从𝑥<1>，𝑥<2>，𝑥<3>来的信息都会考虑在内，而从𝑥<4>来的信息会流过反向的𝑎⃖⃗⃗<4>，到反向的𝑎⃖⃗⃗<3>再到𝑦^<3>，这样使得时间 3 的预测结果不仅输入了过去的信息，还有现在的信息，这一步涉及了前向和反向的传播信息以及未来的信息。

这就是双向循环神经网络，并且这些基本单元不仅仅是标准 RNN 单元，也可以是 GRU单元或者 LSTM 单元。事实上，很多的 NLP 问题，对于大量有自然语言处理问题的文本，有LSTM 单元的双向 RNN 模型是用的最多的。所以如果有 NLP 问题，并且文本句子都是完整的，首先需要标定这些句子，一个有 LSTM 单元的双向 RNN 模型，有前向和反向过程是一个不错的首选

深层循环神经网络（Deep RNNs）

用𝑎[1]<0>来表示第一层，所以我们现在用𝑎[𝑙]<𝑡>来表示第 l 层的激活值，这个表示第𝑡个时间点，这样就可以表示。第一层第一个时间点的激活值𝑎[1]<1>，这（𝑎[1]<2>）就是第一层第二个时间点的激活值，𝑎[1]<3>和𝑎[1]<4>。然后我们把这些堆叠在上面，这就是一个有三个隐层的新的网络。
看看这个值𝑎[2]<3>是怎么算的。
激活值𝑎[2]<3>有两个输入，一个是从下面过来的输入，还有一个是从左边过来的输入，𝑎[2]<3> = 𝑔(𝑊𝑎[2][𝑎[2]<2>, 𝑎[1]<3>] + 𝑏𝑎[2])，这就是这个激活值的计算方法。参数𝑊𝑎[2]和𝑏𝑎[2]在这一层的计算里都一样，相对应地第一层也有自己的参数𝑊𝑎[1] 和𝑏𝑎[1]。