一般的神經網絡不具有記憶功能,輸出的結果隻基于目前的輸入;而LSTM網絡的出現則讓網絡有了記憶:能夠根據之前的輸入給出目前的輸出。但是,LSTM的記憶程度并不是那麼理想,對于比較長的輸入序列,LSTM的最終輸出隻與最後的幾步輸入有關,也就是long dependency問題,當然這個問題可以由注意力機制解決,然而卻不能從根本上解決長期記憶的問題,原因是由于LSTM是假設在時間序列上的輸入輸出:由t-1時刻得到t時刻的輸出,然後再循環輸入t時刻的結果得到t+1時刻的輸出,這樣勢必會使處于前面序列的輸入被淹沒,導緻這部分記憶被“丢掉“。
神經圖靈機通過引入外部記憶解決了這個問題。 舉個簡單的例子,我們人類在記憶一些事情的時候,除了用腦袋記,還會寫在備忘錄上,當我們想不起來的時候,就可以去翻閱備忘錄,進而獲得相關的記憶。神經圖靈機模仿人類記憶的過程:其中的控制器(controller)相當于我們人類的大腦,用于把輸入事物的特征提取出來;外部記憶(memory)相當于我們的備忘錄,把事物的特征記錄在上面,那麼完整的過程就是:控制器将目前輸入轉化為特征,寫入記憶,再讀取與目前輸入特征有關的記憶作為最後的輸出。整個過程與圖靈機的讀寫很像,隻不過神經圖靈機這裡讓所有的讀寫操作都可微分化,是以可以用神經網絡誤差後向傳播的方式去訓練模型。
那麼問題就來了,當獲得一個輸入的特征後,我們如何确定在記憶中儲存的位置,而且如何從記憶中擷取與目前輸入相關的資訊呢?這就是接下來要分析的神經圖靈機主要工作。
Neural Turning Machine
1. 讀記憶 (Read Heads)
我們把記憶看作是一個 N × M N \times M N×M的矩陣 M t M_t Mt,t表示目前時刻,表示記憶會随着時間發生變化。我們的讀過程就是生成一個定位權值向量 w t w_t wt,長度為 N N N,表示N個位置對應的記憶權值大小,最後讀出的記憶向量 r t r_t rt為:
r t = ∑ i N w t ( i ) M t ( i ) r_t = \sum_i^N w_t(i) M_{t}(i) rt=i∑Nwt(i)Mt(i)
其中權值向量的和為1: ∑ i w t ( i ) = 1 \sum_i w_t(i)=1 ∑iwt(i)=1,本質上是一個對N條記憶進行一個權重求和的思想。
2. 寫記憶(Write Heads)
神經圖靈機的寫過程參考了LSTM的門的概念:先用輸入門決定增加的資訊,再用遺忘門決定要丢棄的資訊,最後用更新門加上增加的資訊并減去丢棄的資訊。具體來說,神經圖靈機會生成一個擦除向量 e t e_t et(erase vector) 和一個增加向量 a t a_t at(add vector),長度都為 N N N,向量中每個元素的值大小範圍從0到1,表示要增加或者删除的資訊。對于寫記憶過程,神經圖靈機首先執行一個擦除操作,擦除程度的大小同樣由向量 w t w_t wt決定:
M t ′ ( i ) = M t − 1 ( i ) ( 1 − w t ( i ) e t ( i ) ) M_t'(i)=M_{t-1}(i)(1-w_t(i)e_t(i)) Mt′(i)=Mt−1(i)(1−wt(i)et(i))
這個操作表示從 t − 1 t-1 t−1時刻的記憶中丢棄了一些資訊,若 w t w_t wt和 e t e_t et同時為0,則表示記憶沒有丢棄資訊,目前記憶與 t − 1 t-1 t−1時刻保持不變。執行完擦除後,然後執行增加操作:
M t ( i ) = M t ′ ( i ) + w t ( i ) a t ( i ) M_t(i)=M'_t(i)+w_t(i)a_t(i) Mt(i)=Mt′(i)+wt(i)at(i)
這步表示在丢棄一些資訊後需要新增的資訊,同樣,若 w t w_t wt和 a t a_t at都為0,表示目前記憶無新增,與擦除後的記憶保持一緻。其中, e t e_t et和 a t a_t at都是由控制器給出,而控制器基本上由神經網絡實作,可以是LSTM,也可以是MLP。
由于整個過程都是都是矩陣的加減乘除,所有的讀寫操作都是可微分的,是以我們可以用梯度下降法訓練整個參數模型。但是接下來,我們需要确定 w t w_t wt定位向量,由于這個向量直接決定着目前輸入與記憶的相關性,是以神經圖靈機在生成 w t w_t wt向量上做了很多工作。
3. 定位機制(Addressing Mechanism)
關于決定其相關性的方法有很多,主要分為兩大類: 基于内容的(content-based)和基于位置的(location-based)。神經圖靈機結合了這兩個方法提出一個定位機制用于生成定位向量 w t w_t wt,具體來說,先用基于内容的方法,再用基于位置的方法。
3.1 Content-based Addressing
基于内容的定位計算主要基于餘弦相似度:首先控制器給出一個 k t k_t kt向量作為查詢的key,然後計算 k t k_t kt與 M t M_t Mt中各個記憶向量的餘弦相似度,最後經過一個softmax操作得到基于内容的定位向量 w t c w_t^c wtc:
w t c ( i ) = exp ( β t K [ k t , M t ( i ) ] ) ∑ j exp ( β t K [ k t , M t ( j ) ] ) w_t^c(i) = \frac{\exp(\beta_tK[k_t,M_t(i)])}{\sum_j \exp(\beta_t K[k_t,M_t(j)])} wtc(i)=∑jexp(βtK[kt,Mt(j)])exp(βtK[kt,Mt(i)])
其中 K [ . , . ] K[.,.] K[.,.]是餘弦相似度計算:
K [ u , v ] = u ⋅ v ∣ ∣ u ∣ ∣ ⋅ ∣ ∣ v ∣ ∣ K[u,v] = \frac{u \cdot v}{ ||u|| \cdot ||v||} K[u,v]=∣∣u∣∣⋅∣∣v∣∣u⋅v
3.2 Location-based Addressing
3.2.1. Interpolation(插值)
控制器生成一個門檻值 g t g_t gt對目前的内容定位向量 w t c w_t^c wtc與t-1時刻的定位向量 w t − 1 w_{t-1} wt−1進行一個插值操作,插值的結果即為輸出值 w t g w_t^g wtg:
w t g = g t w t c + ( 1 − g t ) w t − 1 w_t^g=g_tw_t^c+(1-g_t)w_{t-1} wtg=gtwtc+(1−gt)wt−1
這裡的插值操作可以了解為LSTM的更新門,結合過去的 w w w權值計算新的 w w w
3.2.2. shift(偏移)
對于 w t g w_t^g wtg中的每個位置元素 w t g ( i ) w_t^g(i) wtg(i),我們考慮它相鄰的k個偏移元素,認為這k個元素與 w t g ( i ) w_t^g(i) wtg(i)相關,如當k=3時,三個相鄰元素分别是: w t g ( i ) w_t^g(i) wtg(i)本身和位置偏移為1的元素 w t g ( i − 1 ) w_t^g(i-1) wtg(i−1)和 w t g ( i + 1 ) w_t^g(i+1) wtg(i+1),此時,我們希望新的位置為i的元素能包含這三個元素,是以用一個長度為3的偏移權值向量 s t s_t st來表示這三個元素的權重,然後權值求和得到輸出值 w t ′ w'_t wt′:
w t ′ ( i ) = ∑ j = − 1 1 w t g ( i + j ) s ( j + 1 ) w'_t(i)=\sum_{j=-1} ^1 w_t^g(i+j) s(j+1) wt′(i)=j=−1∑1wtg(i+j)s(j+1)
這裡的偏移操作在原文中用的是循環卷積(circular convolution)公式表示的,我們可以了解為把向量 w t g w_t^g wtg首尾相連形成一個環狀,然後在環中用 s t s_t st作為卷積核做一維卷積操作。本質上是假設目前元素與相鄰的偏移元素相關。
3.2.3. Sharping(重塑)
當偏移操作中的權值比較平均的時候,上述的卷積操作會導緻資料的分散(dispersion)和洩漏(leakage),就像把一個點的資訊分散在三個點中,權值如果太平均會使三個點包含的值太模糊(個人了解),是以需要把權值大小的差別進行強化,也就是sharping。具體來說,控制器生成一個參數 γ t > 1 \gamma_t>1 γt>1,然後對各個權值進行 γ t \gamma_t γt指數然後歸一化:
w t ( i ) = w t ′ ( i ) γ t ∑ j w t ′ ( j ) γ t w_t(i)= \frac{w'_t(i)^{\gamma_t}}{ \sum_j w'_t(j)^{\gamma_t}} wt(i)=∑jwt′(j)γtwt′(i)γt
最後我們得出了最終的 w t w_t wt用于提取和儲存記憶。
Pytorch實作
這裡代碼基于的是pytorch-ntm,代碼寫的相當工整,可讀性很高,這裡隻分析一些重要的步驟:
讀過程
讀過程就是從控制器(LTSM)輸出的值提取我們需要的k, beta, g, s, gama值,然後調用_address_memory獲得目前的定位權值向量w, 再用矩陣乘法獲得讀過程的輸出
def forward(self, embeddings, w_prev):
"""NTMReadHead forward function.
:param embeddings: input representation of the controller.
:param w_prev: previous step state
"""
o = self.fc_read(embeddings)
k, beta, g, s, gama = _split_cols(o, self.read_lengths)
# Read from memory
w = self._address_memory(k, beta, g, s, gama, w_prev)
r = self.memory.read(w)
return r, w
def read(self, w):
"""Read from memory (according to section 3.1)."""
return torch.matmul(w.unsqueeze(1), self.memory).squeeze(1)
寫過程
寫過程同樣是獲得定位機制需要的k,beta, g, s, gama以及需要擦除的向量e和增加的向量a,然後調用_address_memory獲得定位向量w,然後根據e和a計算得出最後的寫入向量
def forward(self, embeddings, w_prev):
"""NTMWriteHead forward function.
:param embeddings: input representation of the controller.
:param w_prev: previous step state
"""
o = self.fc_write(embeddings)
k, beta, g, s, gama, e, a = _split_cols(o, self.write_lengths)
# e should be in [0, 1]
e = F.sigmoid(e)
# Write to memory
w = self._address_memory(k, beta, g, s, gama, w_prev)
self.memory.write(w, e, a)
return w
def write(self, w, e, a):
"""write to memory (according to section 3.2)."""
self.prev_mem = self.memory
self.memory = Variable(torch.Tensor(self.batch_size, self.N, self.M))
erase = torch.matmul(w.unsqueeze(-1), e.unsqueeze(1))
add = torch.matmul(w.unsqueeze(-1), a.unsqueeze(1))
self.memory = self.prev_mem * (1 - erase) + add
Addressing Mechanism
定位機制的計算非常直覺,首先_similarity方法計算餘弦相似讀獲得wc,然後調用_interpolate與過去的w_prev進行插值操作,接着_shift偏移操作,這裡實際上調用的是_convolve循環卷積方法,最後進行_sharpen操作獲得最終的w
def address(self, k, beta, g, s, gama, w_prev):
# Content focus
wc = self._similarity(k, beta)
# Location focus
wg = self._interpolate(w_prev, wc, g)
w1 = self._shift(wg, s)
w = self._sharpen(w1, gama)
return w
def _similarity(self, k, beta):
k = k.view(self.batch_size, 1, -1)
w = F.softmax(beta * F.cosine_similarity(self.memory + 1e-16, k + 1e-16, dim=-1), dim=1)
return w
def _interpolate(self, w_prev, wc, g):
return g * wc + (1 - g) * w_prev
def _shift(self, wg, s):
result = Variable(torch.zeros(wg.size()))
for b in range(self.batch_size):
result[b] = _convolve(wg[b], s[b])
return result
def _sharpen(self, w1, gamma):
w = w1 ** gamma
w = torch.div(w, torch.sum(w, dim=1).view(-1, 1) + 1e-16)
return w
def _convolve(w, s):
"""Circular convolution implementation."""
assert s.size(0) == 3
t = torch.cat([w[-1:], w, w[:1]])
c = F.conv1d(t.view(1, 1, -1), s.view(1, 1, -1)).view(-1)
return c
訓練過程
首先輸入一系列的資料,每次輸入一個樣本,都先後進行讀和寫過程,然後在不給定輸入的情況下,獲得一系列輸出值,每次獲得一個輸出值時,同樣先後進行着讀和寫過程;隻不過輸出的時候控制器接受的是0向量,而輸入資料的時候控制器接受的是樣本x值。我們可以根據輸出的值與樣本label的差距計算loss,對于copy任務來說,輸入樣本和label都是樣本本身,損失可以使用binary entropy loss,最後梯度下降法更新整合模型參數
def train_batch(net, criterion, optimizer, X, Y):
"""Trains a single batch."""
optimizer.zero_grad()
inp_seq_len = X.size(0)
outp_seq_len, batch_size, _ = Y.size()
# New sequence
net.init_sequence(batch_size)
# Feed the sequence + delimiter
for i in range(inp_seq_len):
net(X[i])
# Read the output (no input given)
y_out = Variable(torch.zeros(Y.size()))
for i in range(outp_seq_len):
y_out[i], _ = net()
loss = criterion(y_out, Y)
loss.backward()
clip_grads(net)
optimizer.step()
y_out_binarized = y_out.clone().data
y_out_binarized.apply_(lambda x: 0 if x < 0.5 else 1)
# The cost is the number of error bits per sequence
cost = torch.sum(torch.abs(y_out_binarized - Y.data))
return loss.data[0], cost / batch_size
# 每次調用net(x)或者net()獲得輸出值的forward方法
def forward(self, x, prev_state):
"""NTM forward function.
:param x: input vector (batch_size x num_inputs)
:param prev_state: The previous state of the NTM
"""
# Unpack the previous state
prev_reads, prev_controller_state, prev_heads_states = prev_state
# Use the controller to get an embeddings
inp = torch.cat([x] + prev_reads, dim=1)
controller_outp, controller_state = self.controller(inp, prev_controller_state)
# Read/Write from the list of heads
reads = []
heads_states = []
for head, prev_head_state in zip(self.heads, prev_heads_states):
if head.is_read_head():
r, head_state = head(controller_outp, prev_head_state)
reads += [r]
else:
head_state = head(controller_outp, prev_head_state)
heads_states += [head_state]
# Generate Output
inp2 = torch.cat([controller_outp] + reads, dim=1)
o = F.sigmoid(self.fc(inp2))
# Pack the current state
state = (reads, controller_state, heads_states)
return o, state
關于訓練結果,可以去github裡看,目前隻有copy和deepcopy兩個任務,應該是分開訓練,但是按照前面分析的,神經圖靈機應該是可以先後訓練多個任務,并且保持新的任務不會覆寫舊的任務,從理論上分析,如果讓記憶矩陣非常大,那麼就可以把每個任務儲存到記憶中不同的塊中,保持記憶矩陣的稀疏性,是可以做到任務間不互相幹涉,是以讓模型達到能學習多個任務的能力。谷歌16年在Nature中提出的DNC其實也就是神經圖靈機,論文裡介紹了一些現在神經圖靈機可以完成的通用任務,想了解神經圖靈機具體應用的可以去看看。下面放出論文位址和代碼位址:
神經圖靈機(NTM):https://arxiv.org/abs/1410.5401
DNC: https://www.nature.com/articles/nature20101
參考代碼:https://github.com/loudinthecloud/pytorch-ntm