本文是读“Recurrent Neural Networks Tutorial, Part 3 – Backpropagation Through Time and Vanishing Gradients”的读书笔记，加入了自己的一些理解，有兴趣可以直接阅读原文。

1. 算法介绍

这里引用原文中的网络结构图

其中$x$为输入，$s$为隐藏层状态，o为输出，按时间展开

为了与文献中的表示一致，我们用$\hat{y}$来代替o，则
$$\begin{gathered} s_t=tanh(U{x}_t+W{s}_{t-1}) \\ \hat{y}=softmat(V{s}_t) \end{gathered}$$
使用交叉熵（cross entropy）作为损失函数
$$\begin{gathered} E_t(y,\hat{y})=-y_{t}log\hat{y} \\ E(y,\hat{y})=\sum _t{E}_t(y_t,{\hat{y}}_t)=-\sum _t{y}_{t}log\hat{y} \end{gathered}$$
我们使用链式法则来计算后向传播时的梯度，以网络的输出$E_3$为例，
$$\begin{gathered} {\hat{y}}_3=\frac{e^{z_3}}{{\sum }_i{e}^{z_i}} \\ {E}_3=-y_{3}log{\hat{y}}_3=-y_3(z_3-log\sum _i{e}^{z_i}) \\ {z}_3=V{s}_3 \\ {s}_3=tanh(U{x}_3+W{s}_2) \end{gathered}$$
因此可以求V的梯度
$$\frac{\partial E_3}{\partial V}=\frac{\partial E_3}{\partial {\hat{z}}_3}\frac{\partial z_3}{\partial V}=y_3({\hat{y}}_3-1)\ast s3$$
这里求导时将${\hat{y}}_3$带入消去了，求导更直观，这里给出的是标量形式，改成向量形式应该是$\hat{y}-1_3$，也就是输出概率矩阵中，对应结果的那个概率-1，其他不变，而输入y恰好可以认为是对应结果的概率是1，其他是0，因此原文中写作
$$\frac{\partial E_3}{\partial V}=({\hat{y}}_3-y_3)\otimes s_3$$
相对V的梯度，因为$s_t$是W，U的函数，而且含有的$s_{t-1}$在 求导时，不能简单的认为是一个常数，因此在求导时，如果不加限制，需要对从t到0的所有状态进行回溯，在实际中一般按照场景和精度要求进行截断。
$$\frac{\partial E_3}{\partial W}=\frac{\partial E_3}{\partial {\hat{z}}_3}\frac{\partial z_3}{\partial s_3}\frac{\partial s_3}{\partial s_k}\frac{\partial s_k}{\partial W}$$
其中$s_3$对W的求导是一个分部求导
$$\frac{\partial s_t}{\partial W}=(1-s_t^2)(s_{t-1}+W\ast \frac{\partial s_{t-1}}{\partial s_W})$$
U的梯度类似
$$\frac{\partial s_t}{\partial U}=(1-s_t^2)(x_t+W\ast \frac{\partial s_{t-1}}{\partial s_U})$$

2. 代码分析

首先我们给出作者自己实现的完整的BPTT，再各部分分析

def bptt(self, x, y):
    T = len(y)
    # Perform forward propagation
    o, s = self.forward_propagation(x)
    # We accumulate the gradients in these variables
    dLdU = np.zeros(self.U.shape)
    dLdV = np.zeros(self.V.shape)
    dLdW = np.zeros(self.W.shape)
    delta_o = o
    delta_o[np.arange(len(y)), y] -= 1.
    # For each output backwards...
    for t in np.arange(T)[::-1]:
        dLdV += np.outer(delta_o[t], s[t].T)
        # Initial delta calculation: dL/dz
        delta_t = self.V.T.dot(delta_o[t]) * (1 - (s[t] ** 2))
        # Backpropagation through time (for at most self.bptt_truncate steps)
        for bptt_step in np.arange(max(0, t-self.bptt_truncate), t+1)[::-1]:
            # print "Backpropagation step t=%d bptt step=%d " % (t, bptt_step)
            # Add to gradients at each previous step
            dLdW += np.outer(delta_t, s[bptt_step-1])              
            dLdU[:,x[bptt_step]] += delta_t
            # Update delta for next step dL/dz at t-1
            delta_t = self.W.T.dot(delta_t) * (1 - s[bptt_step-1] ** 2)
    return [dLdU, dLdV, dLdW]

2.1. 初始化

结合完整的代码，我们可知梯度的维度

#100*8000
dLdU = np.zeros(self.U.shape)
#8000*100
dLdV = np.zeros(self.V.shape)
#100*100
dLdW = np.zeros(self.W.shape)

2.2. 公共部分

对照上面的理论可知，无论是V，还是U，W，都有$\frac{\partial E_3}{\partial {\hat{z}}_3}$，这部分可以预先计算出来，也就是代码中的delta_o

#o是forward的输出，T（句子的实际长度）*8000维,每一行是8000维的，就是词表中所有词作为输入x中每一个词的后一个词的概率
delta_o = o
#[]中是索引操作，对y中的词对应的索引的概率-1
delta_o[np.arange(len(y)), y] -= 1.

2.3. V的梯度

$s[t].T$是取$s[t]$的转置，numpy.outer是将第一个参数和第二个参数中的所有元素分别按行展开，然后拿第一个参数中的数因此乘以第二个参数的每一行，例如$a=[a_0,a_1,...,a_M]$, $b=[b_0,b_1,...,b_N]$，则相乘后变成
$$\begin{gathered} [[a_0\ast b_0{a}_0\ast b_1...a_0\ast b_N] \\ [a_1\ast b_0{a}_1\ast b_1...a_1\ast b_N] \\ ... \\ [a_M\ast b_0{a}_M\ast b_1...a_M\ast b_N]] \end{gathered}$$
结果是M*N维的

#delta_o是1*8000维向量，s[t]是1*100的向量，转不转置对outer并没有什么区别，其实和delta_o[t].T * s[t]等价，*是矩阵相乘，结果是8000*100维的矩阵
dLdV += np.outer(delta_o[t], s[t].T)

2.4. W和U的梯度

对比W和U的梯度公式，我们可以看到，两者+号的第二部分前面的系数是一样的，也就是$(1-s_t^2)\ast W$，这部分可以存起来减少计算量，也就是代码中的delta_t

delta_t = self.V.T.dot(delta_o[t]) * (1 - (s[t] ** 2)) 
# Backpropagation through time (for at most self.bptt_truncate steps)
#截断
for bptt_step in np.arange(max(0, t-self.bptt_truncate), t+1)[::-1]:
    # print "Backpropagation step t=%d bptt step=%d " % (t, bptt_step)
    # Add to gradients at each previous step
    #计算+号的第一部分，第二部分本次还没得到，下次累加进来
    dLdW += np.outer(delta_t, s[bptt_step-1])
    #x为单词的位置向量，与delta_t相乘相当于dLdU按x取索引（对应的词向量）直接与delta_t相加                                  
    dLdU[:,x[bptt_step]] += delta_t
    # Update delta for next step dL/dz at t-1 
    #更新第二部分系数
    delta_t = self.W.T.dot(delta_t) * (1 - s[bptt_step-1] ** 2)

今天的文章基于时间的反向传播算法BPTT（Backpropagation through time）分享到此就结束了，感谢您的阅读。