使用LSTM和GRU处理序列难题

虽然简单的循环神经网络 (neural network)（RNN）是为序列数据设计的，但在处理语音中长而变化的序列时，它们会遇到显著的限制。它们的主要缺点是难以在较长时间步中学习和保留信息，这个问题通常被称为处理长距离依赖。这个问题主要源于梯度消失问题，即随着序列变长，过去输入对当前输出的影响呈指数级减小。

对于ASR系统而言，这是一个严重不足。模型必须能够将相隔几秒的声音联系起来，以形成连贯的词或短语。例如，为了正确转录句子的末尾，模型可能需要回溯开头的信息。简单的RNN无法很好地完成这项任务。为了应对这些难题，我们转向更精巧的循环架构：长短期记忆（LSTM）和门控循环单元（GRU）网络。

长短期记忆 (LSTM)

LSTM被明确设计用于长时间记住信息。它们引入了一个单元状态，它就像一条信息传送带，沿着整个序列直线传输，只进行少量线性交互。这种结构使得信息更容易保持不变地流动。

LSTM的独特之处在于它们能够使用三个称为门的特殊组件来调节信息流。这些门是小型神经网络 (neural network)，它们会学习哪些信息需要添加到单元状态、哪些需要保留、哪些需要移除。

1. 遗忘门: 这个门决定了从前一个单元状态中丢弃哪些信息。它会查看前一个隐藏状态 $h_{t-1}$ 和当前输入 $x_t$，并为前一个单元状态 $C_{t-1}$ 中的每个数值输出一个介于0和1之间的数。1表示“完全保留”，而0表示“完全丢弃”。在语音中，这可能意味着忘记单词之间短暂静音的声学特征。

   $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$

2. 输入门: 这个门决定了哪些新信息将被存储到单元状态中。它包含两部分：一个sigmoid层，用于决定我们要更新哪些值（即输入门）；以及一个tanh层，用于生成可能添加到状态中的新候选值向量 (vector) $\tilde{C}_t$。模型就是这样加入新的声音的，例如新音素的开始。

   $$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$ $$\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$$

3. 输出门: 这个门决定了网络的输出。输出将是单元状态的过滤版本。首先，我们运行一个sigmoid层来决定单元状态的哪些部分将被输出。然后，我们将单元状态通过tanh（将值推到-1到1之间）并乘以sigmoid门的输出，这样我们只输出我们决定输出的部分。

   $$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$$ $$h_t = o_t * \tanh(C_t)$$

新的单元状态 $C_t$ 是通过结合旧状态（乘以遗忘门）和新候选值（乘以输入门）来计算的。

$$C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$$

这种门控机制允许LSTM选择性地记忆或遗忘信息，使其在建模语音复杂的时序动态方面非常有效。

一个LSTM单元。最上面的线表示单元状态，它在时间步之间传递信息。门（红色）控制信息如何添加到或从该状态中移除。

门控循环单元 (GRU)

门控循环单元，简称GRU，是LSTM的一种较新且略简单的替代方案。它将遗忘门和输入门合并为一个更新门，并融合了单元状态和隐藏状态。这使得模型在计算上更高效。

一个GRU单元有两个主要门：

1. 更新门 ($z_t$): 这个门的功能与LSTM的遗忘门和输入门相似。它决定了保留多少过去的信息（来自前一个隐藏状态），以及添加多少新信息。
2. 重置门 ($r_t$): 这个门决定了如何将新输入与前一个隐藏状态结合。它本质上决定了要遗忘多少过去的信息。

GRU的简化结构意味着它们比LSTM拥有更少的参数 (parameter)，这使得它们在训练时更快，并且在较小数据集上更不容易出现过拟合 (overfitting)。在许多ASR任务中，GRU已表现出与LSTM相当的性能。

一个GRU单元。它通过合并门控和融合单元状态与隐藏状态来简化LSTM设计，从而形成更精简的架构。

双向和堆叠架构

为了进一步增强模型理解上下文 (context)的能力，我们可以采用两种额外的策略：双向处理和堆叠。

双向RNN 在语音中，上下文不仅是历史性的，也是前瞻性的。一个词的读音或含义可能受其后续词的影响。例如，为了区分“I read the book”和“I will read the book”中的同音词，模型通过看到整个句子而获得优势。

双向RNN（Bi-LSTM或Bi-GRU）以两个方向处理输入序列。一个循环层从头到尾处理序列（前向传播），而第二个独立的层从尾到头处理序列（反向传播 (backpropagation)）。在每个时间步，两个层的输出会被拼接起来形成最终的表示。这使得模型能够获得序列中每个点的完整周边上下文信息。

堆叠RNN 就像其他类型的神经网络 (neural network)一样，我们可以通过将循环层堆叠起来增加模型的深度。在堆叠RNN中，第一层的输出序列成为第二层的输入序列，依此类推。

这种方法使得网络能够学习数据的分层表示。第一层可能学习检测基本的声学特征和音素。第二层可以学习将这些音素表示组合成音节或词段，后续层可以学习更高级别的语言结构。典型的ASR声学模型可能会使用2到6个堆叠的双向LSTM或GRU层。

通过使用LSTM或GRU，通常采用堆叠、双向的配置，我们创建了一个声学模型，该模型在捕捉人类语音复杂、长距离模式方面非常有效。这种出色的序列到序列架构，是我们下一节构建基于CTC训练流程的立足点。