Recurrent Neural Networks

Sequence Models

• Sequence data 指的是一連串的 data

  • 例如訓練 input 一連串聲音 output 成文字 (speech recognition)

• 我們要利用例如 Recurrent Neural Network (RNN) 來建立出 sequence model

  • model 將幫助我們把 non-sequence/sequence data 轉換成 non-sequence/sequence data

Notation

• 假設有一個 name entity recognition 案例

  • 要標示出所有的人名

$$\begin{aligned} x = \text{Harry Potter and Hermione Granger invented a new spell.}\\ y = \text{{\color{red}Harry Potter} and {\color{red}Hermione Granger} invented a new spell.} \end{aligned}$$

• 句子中每個字依照順序會標註成

$$\begin{aligned} \text{Harry} &: x^{<1>} \\ \text{Potter} &: x^{<2>} \\&... \end{aligned}$$

• 因為 y 跟 x 的字一模一樣，所以用 1 標示是要找的人名

$$\begin{aligned} \text{Harry}: y^{<1>} &= 1\\ \text{Potter}: y^{<2>} &= 1\\ \text{and}: y^{<3>} &= 0\\&... \end{aligned}$$

• 另外 $T_x = 9$ 表示句子的字數，同樣方式表達 y 的字數 $T_y = 9$
• 因為可能有多筆 training set，若要表示第 i 筆 data 的第 t 個 word

$$X^{(i)<t>}, y^{(i)<t>}$$

• 表達字數的方式也差不多

$$T_x^{(i)} = 9, T_y^{(i)} = 9$$

Vocabulary (Dictionary)

• 通常會用一整個列表記錄所有單字，一個列表可能會有 30 ~ 100000 個單字

$$\begin{bmatrix} \text{a} \\ \text{aaron} \\\vdots \\\text{and}\\\vdots\\\text{Harry}\\\vdots\\\text{Potter}\\\vdots\\\text{zoo} \end{bmatrix}$$

• 上面的案例是一個 10000 個單字的 dictionary

  • and 的 index 在 367

  • Harry 在 4075

  • Potter 在 6830

• 接著用 one-hot 方式來呈現單字

  • 例如 Harry 就會是一個全為 0 但 index=4075 為 1 的 10000 長度向量

$$x^{<1>} = \begin{bmatrix} 0\\0\\\vdots\\1 (4075^{th})\\\vdots\\0\\\vdots\\0 \end{bmatrix}$$

• 該 model 的目標就是給定一堆 $x^{<t>}$ 找出各別對應的 $y^{<t>}$

Recurrent Neural Network Model

Why not standard network ?

• 以 Harry 例子來說，Input 9 個單字要產生 9 個 output，每個 input/output 又都是 10000 長的 one-hot vector

• 第一個問題

  • 每個 training set 的 input 跟 output 會不斷改變

• 第二個問題

  • Input features 之間並沒有 share 的關係

    • 在 $x^{<1>}$ 發現 Harry 是人名，$x^{<87>}$ 又是 Harry，那 1 能告訴 87 嗎?
• 第三個問題

  • 參數太多，計算量太大

• Recurrent Neural Network 沒有這些問題

RNNs

• 我們會先讀第一個單字 $x^{<1>}$

  • 將他丟入 neural network 產生 $\hat{y}^{<1>}$
  • 同時會產生 $a^{<1>}$ 給下一個單字 $x^{<2>}$ 使用

    • 通常 $a^{<0>}$ 是一個 0 vector
• 所以 $x^{<1>}$ 可以共享資訊給 $x^{<3>}$ 來產生 \hat{y}_^{<3>}

  • 這個模型無法由 3 供應資訊給 1

  • 之後會談到雙向的 RNNs (Bidirectional RNNs)

• 所有的 neural networks 會共享三大參數

  • $W_{ax}, W_{aa}, W_{ya}$
  • 命名的規則 (已 ax 為例) : 跟 x 作用並產生 a

• 以一般化 $x^{t}$ 來解釋每個單字在網路中的 forward propogation

$$\begin{aligned} a^{<0>} &= 0 \\ a^{<t>} &= \text{tanh}(W_{aa} a^{<t-1>} + W_{ax}x^{<t>} + b_a) \\ \hat{y}^{<t>} &= \text{softmax}(W_{ya}a^{<t>} + b_y) \end{aligned}$$

• 第一個 activation function 可選擇 tanh 或 ReLU

• 第二個 activation function 可選擇 sigmoid 或 softmax

Simplify Forward Propogation

• 為了講解之後較複雜的 RNNs，我們可以將 forward propogation 進一步簡化

• 將 Waa 和 Wax 合併為 Wa

  • 若 Waa 是一個 100*100 矩陣

  • 且 Wax 是一個 100*10000 矩陣

  • 那麼 Wa 就是 100*10100 的寬矩陣

$$W_a = \begin{bmatrix} W_{aa} \mid W_{ax} \end{bmatrix}$$

• 將 $a^{<t-1>}$ 和 $x^{<t>}$ 也合併起來

  • 若 a 是一個 100*1 向量

  • 且 x 是一個 10000*1 向量

  • 那麼合併後就是一個長為 10100*1 的向量

$$\begin{bmatrix} a^{<t-1>}\\ x^{<t>} \end{bmatrix}$$

• 新的 forward propogation 公式

$$\begin{aligned} a^{<t>} &= \text{tanh}(W_a [a^{<t-1>};x^{<t>}] + b_a) \\ \hat{y}^{<t>} &= \text{softmax}(W_{y}a^{<t>}+ b_y) \end{aligned}$$

Backpropogation through time

• RNNs 的 backpropogation 又稱作 backpropogation through time

  • 因為由右至左推回來，像是時間逆流的感覺

• 要計算 backpropogation 之前，要先知道每個單字的 loss function

• 這邊使用 Cross-entropy loss 作為每個單字 (或說時間點) 的 loss function

• 也就是在 $x^{<t>}$ 時的 loss 表示為

$$\mathcal{L}^{<t>}(\hat{y}^{<t>}, y^{<t>}) = -y^{<t>}\log\hat{y}^{<t>} - (1-y^{<t>})\log(1-\hat{y}^{<t>})$$

• 而整體的 loss function 可以定義為

$$\mathcal{L}(\hat{y}, y) = \sum_{t=1}^{T_x}\mathcal{L}^{<t>}(\hat{y}^{<t>}, y^{<t>})$$

• 如此一來，就可以回推並更新 $W_y, b_y, W_a, b_a$

Different types of RNNs

• 剛剛的網路建立在 $T_x = T_y$ 的狀況下
• 如果要達成各式不同的 input/output 勢必需要不同的網路形式

• One-to-One

  • 很無聊，就是個普通的神經網路

• One-to-Many

  • 用於 sequence generation

  • e.g. music generation

    • 給定音樂種類，生產出一系列的音符

  • 要注意的是該種類會把 $\hat{y}$ 當作下一層的 input
• Many-to-One

  • 用於 sentiment classification

  • e.g. 電影評價打分數

    • 讀入一連串的評價，產出 1~5 的分數

• Many-to-many with same length

  • e.g. name entity recognition

    • 給定一串文字，標示出文字為名稱的部分

• Many-to-many with different length

  • e.g. machine translation

    • 給定一串英文，翻譯成長度不同的中文

  • 首先先讀取 x 的部分，最後再處理 y 的部分

Language model and sequence generation

Language Modelling

• 假設 speech recognition 時聽到了一句話

  • “The apple and pear salad.”

• 那到底是聽到上面的句子還是 “The apple and pair salad.” ?

• 為了判斷是哪一句話，所以給兩句話機率的方法就是 language modelling

$$P(\text{The apple and pear salad.}) = 5.7\times 10^{-10}\\ P(\text{The apple and pair salad.}) = 3.2\times 10^{-13}$$

• 可以看到在這個 language model 中

  • The apple and pear salad 的機率比較高

Build Language model with RNNs

• training set 會是 large corpus of english text

  • corpus 是一個 NLP 名詞，代表大量句子所組成的文本

• 首先要 tokenize corpus 中的所有單字，也就是建立字典

  • 標點符號可以 tokenize 可以不要

$$\begin{aligned} &\text{The } &\text{ Egyptian } &\text{ Mau } &\text{ is } &\text{ a } &\text{ bread } &\text{ of } &\text{ cat }. &\text{ <EOS> }\\ &y^{<1>}&y^{<2>}&y^{<3>}&y^{<4>}&y^{<5>}&y^{<6>}&y^{<7>}&y^{<8>}&y^{<9>} \end{aligned}$$

• tokenize 前有時會增加一個 <EOS> 代表句子結束

• tokenize 會將每一個單字轉換為 one hot vector

  • 假設有一個 10000 單字的字典，那就會在該單字的 index 設 1 其他設 0

  • 今天遇到一個不在字典的單字，例如 Mau

    • 那就會將他設定在 <UNK> 的位置，表示 unknown

• Tokenize 後就可以將他們 input 到 RNN 訓練

• 首先 $x^{<1>}$ 和 $a^{<0>}$ 都設為 0
• 第一個 timestep 算出的 $\hat{y}^{<1>}$ 代表字典中所有單字是句子中第一個字的機率

  • 有 10002 個字，包括 EOS 和 UNK

    $P(\text{a})P(\text{aaron})\cdots P(\text{cat})\cdots P(\text{UNK})P(\text{EOS})$
• 第二個 timestep 的 $x^{<2>}$ 就是原本句子得到的 $y^{<1>}$

  • 加上上一個 timestep 算出的 $a^{<1>}$
  • 所以算出來的 $\hat{y}^{<2>}$ 代表出現 cats 後字典裡每一個單字是下一個字的機率
  • 所以 average 應該要是最高才對

    $$P(\text{average}\mid \text{cats}) \text{ should be the highest}$$
• 以此類推，$\hat{y}^{<3>}$ 表示 cats average 出現後，字典中每個單字的出現機率

  $$P(\text{15} \mid \text{cats average})\text{ should be the highest}$$
• 為了要訓練這個 RNN 我們定義 cost function

  • 在 predict 第 t 個單字時的 softmax loss function 為

    $$\mathcal{L}(\hat{y}^{<t>}, y^{<t>})=-\sum_i y_i^{<t>}\log\hat{y}_i^{<t>}$$
  • Overall 的 Cost function 為

    $$\mathcal{L} = \sum_t \mathcal{L}^{<t>}(\hat{y}^{<t>}, y^{<t>})$$
• 總結一下，要預測一個句子 $P(y^{<1>},y^{<2>},y^{<3>})$的機率

  • 等於要計算 $P(y^{<1>})$
  • 以及知道 $P(y^{<1>})$ 下的 $P(y^{<2>})$ 為何
  • 再來是 $P(y^{<1>}, y^{<2>})$ 下 $P(y^{<3>})$ 為何

$$P(y^{<1>},y^{<2>},y^{<3>}) = P(y^{<1>})P(y^{<2>}\mid y^{<1>})P(y^{<3>}\mid y^{<1>},y^{<2>})$$

Sampling novel sequences

• 訓練好的 language model 可以用 sampling 方式來呈現他所學的結果

• Sampling 方式就像 one-to-many model

  • 給定 $a^{<0>} = x^{<1>} = \vec{0}$
  • 算出 $\hat{y}^{<1>}$ 之後，用 np.random.choice 方式從中選取任意一個 sample
  • 這個 sample 作為 $x^{<2>}$ 繼續算出 $\hat{y}^{<2>}$ 再選一個 sample
  • 以此類推直到 sampling 到 EOS 或是自訂回合數就停止

• 以上的方法每個 $x^{<t>}$ 都是一個單字，稱作 word level model

  • $\text{Vocabulary} = [\text{a}, \text{aaron},\cdots, \text{zoo}, \text{<UNK>}]$
• 我們可以使用 character 作為每個 inputs

  • 可以有大小寫字母、數字、符號

  • $\text{Vocabulary} = [\text{a, b, c, ..., z, ., ;, 0, ..., 9, A, ...,Z}]$
  • 優點是不會有 <UNK>

  • 缺點是資料量變大，計算變大、訓練成本過高

    • 不過隨著硬體發展，有一些專案使用 character level model

• Sampling example

  • 下圖左是一個從 news 訓練出的 model 所產生的 sampling novel sequences

  • 下圖右則是讀完沙士比亞文章所產生的 sequences

Vanishing gradients with RNNs

• 觀察以下兩句句子

$$\text{The cat},\text{ which already ate } \cdots, \text{ was full.} \\ \text{The cats},\text{ which already ate } \cdots, \text{ were full.} \\$$

• 人類可以記住非常前面的詞 (cat/cats) 來去判斷很後面的詞 (was/were)

• 但目前的 basic RNN models 很難去找出這種 Long-term Dependencies

• 原因跟 deep neural networks 已提過的 vanishing gradients 有著很大關係

  • 回憶一下 vanishing gradients 是因為 backprop 的導數小於 1

  • 造成越往回走梯度越小，最終使得梯度消失

Vanishing gradients in RNNs

• RNN 中也有類似 vanishing gradient 的情況，在 RNN 中會出現 local influences

• 舉例來說 $\hat{y}^{<3>}$ 只會跟 $x^{<1>}, x^{<2>}, x^{<3>}$ 有較大關係
• 假設 was 在 $\hat{y}^{<100>}$ 那他就無法跟最前面的 cat/cats 互相影響了
• 這造成 basic RNN model 有著無法處理 long-term dependencies 的弱點

補充 : RNN 也有可能出現 Exploding gradient 但情況較少

而且梯度爆炸比較好偵錯，只要參數有問題或是出現 numerial overflow (出現 NaN) 就會知道

並且可以用 gradient clipping 方法解決 (設定 threshold 避免梯度繼續增高)

• 為了處理 RNN 中的 vanishing gradient，要使用 GRU 及 LSTM 的技術

Gated Recurrent Unit (GRU)

• 先回顧 basic RNN 的架構，在計算 $a^{<t>}$ 時是這樣計算

  $a^{<t>} = g(W_a[a^{<t-1>}, x^{<t>}]+b_a)$

  • 可以將 basic RNN 畫成下圖表示

• GRU 在 basic RNN 中加入一個 memory cell $(c)$ 的概念
• 回到原本的句子，目標是讓網路可以記憶 cat 並在之後知道要使用 was

  • $\text{The cat, which already ate ... was full.}$
• 定義每一個 $c^{<t>}$ 會和 $a^{<t>}$ 相等 $c^{<t>} = a^{<t>}$
• 然後定義 $\tilde{c}^{<t>}$ 是可能取代掉 $c^{<t>}$ 的候補

  • $\tilde{c}^{<t>} = \text{tanh}(W_c[c^{<t-1>}, x^{<t>}]+b_c)$
• 接著定義一個 Update Gate $(\Gamma_u)$ 用來決定是否要用 $\tilde{c}^{<t>}$ 取代掉 $c^{<t>}$

  • Update Gate 最好要能 output 0/1 值，1 決定取代、0 放棄取代，所以使用 sigmoid function

  • $\Gamma_u = \sigma(W_u [c^{<t-1>},x^{<t>}]+b_u)$
• 最後用以下公式決定每個 time step 要不要更新 $c^{<t>}$

  • $c^{<t>} = \Gamma_u \times \tilde{c}^{<t>} + (1-\Gamma_u) \times c^{<t-1>}$

    • 當 $\Gamma_u = 1$ 時，後面被消掉，所以 $c^{<t>} = \tilde{c}^{<t>}$
    • 當 $\Gamma_u = 0$ 時，前面被消掉，所以 $c^{<t>} = c^{<t-1>}$

  Example

• 回到 cat 的句子問題

  • 在 cat 時把 $\tilde{c}^{<t>} = 1, \Gamma_u = 1$

    • 此時的 $c^{<t>}$ 就會被設定為 1 (假設 1 代表單數、0 代表多數)
  • 接著句子持續下去，每一個的 $\Gamma_u$ 都設定為 0，避免 cat 的資訊被刷掉
  • 直到 was 的 time step 出現，我們就可以用 $c^{<t>}$ 告訴他是 cat 要用 was
  • 等到 was 結束，不會再用到這個資訊，在之後的某個地方就會設定 $\Gamma_u = 1$ 更新
• 因為使用 sigmoid 作為 $\Gamma_u$ 的計算方式

  • 使得 $\Gamma_u$ 長期都會非常接近 0 或是 1
  • 當 $\Gamma_u = 1$ 時，$c^{<t>}$ 就會被更新
  • 當 $\Gamma_u = 0$ 時，$c^{<t>}$ 就會保持 $c^{<t-1>}$
  • 由於 c 經過很長時間依然不變，且 c 就是 a，所以也解決了 vanishing gradients

Simplified GRU

• 在 GRU 的 network 中

  • 先用 $c^{<t-1>}$ 和 $x^{<t>}$ 進行 tanh 得到 $\tilde{c}^{<t>}$
  • 再用 $c^{<t-1>}$ 和 $x^{<t>}$ 進行 sigmoid 得到 $\Gamma_u$
  • 然後透過紫色區塊 (就是決定是否更新) 來更新新的 $c^{<t>} = a^{<t>}$
  • 最後跟一般一樣，產出 $\hat{y}^{<t>}$
• 要注意的是，$c^{<t>}$ 可以是一個 vector

  • 若是 $c^{<t>}$ 是一個 100 dimensional 的向量
  • 那麼 $\tilde{c}^{<t>}, \Gamma_u$ 也會是 100 dimensional
  • 而更新 $c^{<t>}$ 的乘法就會是 element-wise 的乘法

    $c^{<t>} = \Gamma_u \ast \tilde{c}^{<t>} + (1-\Gamma_u) \ast c^{<t-1>}$

Full GRU

• 以上的 GRU 是簡化過的 GRU

• 在完整的 GRU 中，會再添加一個 Relevance Gate $\Gamma_r$
• Relevance gate 用來表示 $c^{<t>}$ 和 $\tilde{c}^{<t>}$ 的關聯性
• 我們在原本的 $\tilde{c}^{<t>}$

  • $\tilde{c}^{<t>} = \text{tanh}(W_c[c^{<t-1>}, x^{<t>}]+b_c)$
• 加入 Relevance gate

  • $\tilde{c}^{<t>} = \text{tanh}(W_c[\Gamma_r \times c^{<t-1>}, x^{<t>}]+b_c)$
• 而 Relevance gate 的算法也很簡單

  • $\Gamma_r = \sigma(W_r[c^{<t-1>}, x^{<t>}] + b_r)$
• Full GRU 的算式如下

$$\begin{aligned} \tilde{c}^{<t>} &= \text{tanh}(W_c[\Gamma_r \times c^{<t-1>}, x^{<t>}]+b_c)\\ \Gamma_u &= \sigma(W_u [c^{<t-1>},x^{<t>}]+b_u)\\ \Gamma_r &= \sigma(W_r[c^{<t-1>}, x^{<t>}] + b_r)\\ c^{<t>} &= \Gamma_u \times \tilde{c}^{<t>} + (1-\Gamma_u) \times c^{<t-1>} \end{aligned}$$

補充 : GRU 最重要的兩篇論文 :

• Cho et al., 2014. On the properties of neural machine translation: Encoder-decoder approaches
• Chung et al., 2014. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling

Long Short Term Memory (LSTM)

• LSTM 跟 GRU 長的很像，但其實 LSTM 是較早出現的架構

• LSTM 捨棄了 relevance gate，保留 update gate，並新增了 forget gate 和 output gate

  • 所以 LSTM 共有三個 gates

• LSTM 不再讓 $c^{<t>} = a^{<t>}$，並將兩者分開來計算

$$\begin{aligned} \tilde{c}^{<t>} &= \text{tanh}(W_c[a^{<t-1>}, x^{<t>}]+b_c)\\ \Gamma_u &= \sigma(W_u [a^{<t-1>},x^{<t>}] + b_u)\\ \Gamma_f &= \sigma(W_f[a^{<t-1>}, x^{<t>}] + b_f)\\ \Gamma_o &= \sigma(W_o[a^{<t-1>}, x^{<t>}] + b_o)\\ c^{<t>} &= \Gamma_u \ast \tilde{c}^{<t>} + \Gamma_f \ast c^{<t-1>} \\ a^{<t>} &= \Gamma_o \ast \text{tanh}(c^{<t>}) \end{aligned}$$

• 首先 $\tilde{t}^{<t>}$ 不再使用 $c^{<t-1>}$ 而是使用 $a^{<t-1>}$ 來跟著 $x^{<t>}$ 一起計算
• 然後依次算出 $\Gamma_u, \Gamma_f, \Gamma_o$
• 更新 $c^{<t>}$ 時，不再是兩者取一，而是將 $c^{<t-1>}$ 乘上 forget gate 後，加進 update 的 $\tilde{t}^{<t>}$
• 最終用 output gate 乘上 $\text{tanh}(c^{<t>})$ 來更新 $a^{<t>}$

LSTM nets

• 單個 LSTM 模型可以表示如下

• 接收上一層的 $c^{<t-1>}, a^{<t-1>}$
• 結合 $x^{<t>}$ 算出三個 gate 和 $\tilde{c}^{<t>}$
• 計算出這一層的 $c^{<t>}, a^{<t>}$ 給下一層使用
• 算出預測值 $\hat{y}^{<t>}$
• 將多個 LSTM 相連在一起就是 LSTM network

Peephole Connection

• 上面的 LSTM 的三個 gate 值只有使用 $x^{<t>}, a^{<t-1>}$ 計算出來
• 但在實作上有一種方法將 $c^{<t-1>}$ 也帶入計算 gate 值
• 這種方法稱為 Peephole connection

• 注意點是，若 gate 是個 100 dimensional 的 vector

  • 那麼 c 的第 i 個值，只會影響到 gate vector 中的第 i 個值

  • 也就是 c 和 gate 的關係是 1 對 1 的

  • 跟 GRU 在更新 gate 是不一樣的

$$\begin{aligned} \Gamma_u &= \sigma(W_u[a^{<t-1>}, x^{<t>}, c^{<t-1>}] + b_u)\\ \Gamma_f &= \sigma(W_f[a^{<t-1>}, x^{<t>}, c^{<t-1>}] + b_f)\\ \Gamma_o &= \sigma(W_o[a^{<t-1>}, x^{<t>}, c^{<t-1>}] + b_o) \end{aligned}$$

Bidirectional RNN (BRNN)

• 前面也說過，單方向的 RNN 會無法處理一些問題

• 例如單字必須透過後方單字才能辨別是否是人名

$$\begin{aligned} &\text{He said, "Teddy bears are on sales!"}\\ &\text{He said, "Teddy Roosevelt was a great President!"} \end{aligned}$$

• 上面兩個句子，只讀前三個字，可能會判斷兩個 Teddy 都是人名

• 但事實上只有第二句的 Teddy 指的是人名

• 為了解決此問題，出現了能夠雙向處理的 RNN － Bidirectional RNN (BRNN)

• 為了簡化問題，假設現在只讀了前四個字 He said Teddy Roosevelt

• 首先一如往常將句子由左至右產出 $a^{<1>}, a^{<2>}, a^{<3>}, a^{<4>}$ (以 $\rightarrow$ 表示)
• 接著再將句子由右至左產出 $a^{<4>}, a^{<3>}, a^{<2>}, a^{<1>}$ (以 $\leftarrow$ 表示)

  • 要注意的是，兩個都是 forward propogation，並非 backpropogation !

• 所以現在要計算句子中任意一個 $\hat{y}^{<t>}$ 都可以配合左右兩邊的資訊來計算

  • $\hat{y}^{<t>} = g(W_y\begin{bmatrix}\overrightarrow{a}^{<t>}, \overleftarrow{a}^{<t>}\end{bmatrix}+b_y)$
• 例如要計算 $\hat{y}^{<3>}$ 的 Teddy 為人名的機率

  • $\hat{y}^{<3>} = g(W_y\begin{bmatrix}\overrightarrow{a}^{<3>}, \overleftarrow{a}^{<3>}\end{bmatrix}+b_y)$
  • 他考慮的 $\overrightarrow{a}^{<3>}$ 考慮了 a1, a2 的 He said
  • 他考慮的 $\overleftarrow{a}^{<3>}$ 考慮了 a4 的 Roosevelt
• BRNN 的缺點是需要完整的句子序列，才可以訓練並預測句子中的任意單字

• 若用在 speech recognition，不可能等所有話講完，再慢慢處理所有文字

• 所以在 speech recognition 的實際應用上，不會使用 standard BRNN

• 但是在能夠一次取得完整句子的 NLP 應用中， standard BRNN 是很有效率的

Deep RNNs (DRNN)

• 到目前為止見到的只是 one hidden layer 的 RNN model

• 事實上 RNN 也可以有多個 hidden layer，只是不會像 CNN 那麼多

• 上圖有幾個 notation 需要解釋

  • $[l]$ 用來代表第 l 層
  • $<t>$ 用來代表第 t 個 time step
  • 所以 $a^{[2]<3>}$ 代表是第 2 個 hidden layer 在第 3 個 timestep 的狀況
• 另外在 parameters 也有不同

  • $W_a^{[l]}$ 代表在第 l 層的 $W_a$
  • $b_a^{[l]}$ 代表在第 l 層的 $b_a$
  • 所以 $a^{[2]<3>}$ 的算法為

    $a^{[2]<3>} = W_a^{[2]}\begin{bmatrix}a^{[2]<2>}, a^{[1]<3>}\end{bmatrix} + b_a^{[2]}$
• DRNN 中的每一個 blocks 可以是一般的、GRU、LSTM blocks

• DRNN 在計算 $\hat{y}^{<t>}$ 前，也可以先接上一連串的 fully-connected networks
• 因為 RNN 的計算量已經相當龐大，所以 DRNN 的 hidden layers 數目並不會太多