【導讀】長短期記憶（LSTM）循環(huán)神經(jīng)網(wǎng)絡可以學習和記憶長段序列的輸入。如果你的問題對于每個輸入都有一個輸出（如時間序列預測和文本翻譯任務），那么 LSTM 可以運行得很好。但 LSTM 在面臨超長輸入序列——單個或少量輸出的情形時就會遇到困難了。這種問題通常被稱為序列標記，或序列分類。
其中的一些例子包括：
包含數(shù)千個單詞的文本內(nèi)容情緒分類（自然語言處理）。
分類數(shù)千個時間步長的腦電圖數(shù)據(jù)（醫(yī)療領域）。
分類數(shù)千個 DNA 堿基對的編碼/非編碼基因序列（基因信息學）。
當使用循環(huán)神經(jīng)網(wǎng)絡（如 LSTM）時，這些所謂的序列分類任務需要特殊處理。在這篇文章中，你將發(fā)現(xiàn) 6 種處理長序列的方法。
1. 原封不動
原封不動地訓練/輸入，這或許會導致訓練時間大大增長。另外，嘗試在很長的序列里進行反向傳播可能會導致梯度消失，反過來會削弱模型的可靠性。在大型 LSTM 模型中，步長通常會被限制在 250-500 之間。
2. 截斷序列
處理非常長的序列時，最直觀的方式就是截斷它們。這可以通過在開始或結(jié)束輸入序列時選擇性地刪除一些時間步來完成。這種方式通過失去部分數(shù)據(jù)的代價來讓序列縮短到可以控制的長度，而風險也顯而易見：部分對于準確預測有利的數(shù)據(jù)可能會在這個過程中丟失。
3. 總結(jié)序列
在某些領域中，我們可以嘗試總結(jié)輸入序列的內(nèi)容。例如，在輸入序列為文字的時候，我們可以刪除所有低于指定字頻的文字。我們也可以僅保留整個訓練數(shù)據(jù)集中超過某個指定值的文字?？偨Y(jié)可以使得系統(tǒng)專注于相關(guān)性最高的問題，同時縮短了輸入序列的長度。
4. 隨機取樣
相對更不系統(tǒng)的總結(jié)序列方式就是隨機取樣了。我們可以在序列中隨機選擇時間步長并刪除它們，從而將序列縮短至指定長度。我們也可以指定總長的選擇隨機連續(xù)子序列，從而兼顧重疊或非重疊內(nèi)容。
在缺乏系統(tǒng)縮短序列長度的方式時，這種方法可以奏效。這種方法也可以用于數(shù)據(jù)擴充，創(chuàng)造很多可能不同的輸入序列。當可用的數(shù)據(jù)有限時，這種方法可以提升模型的魯棒性。
5. 時間截斷的反向傳播
除基于整個序列更新模型的方法之外，我們還可以在最后的數(shù)個時間步中估計梯度。這種方法被稱為「時間截斷的反向傳播（TBPTT）」。它可以顯著加速循環(huán)神經(jīng)網(wǎng)絡（如 LSTM）長序列學習的過程。
這將允許所有輸入并執(zhí)行的序列向前傳遞，但僅有最后數(shù)十或數(shù)百時間步會被估計梯度，并用于權(quán)重更新。一些最新的 LSTM 應用允許我們指定用于更新的時間步數(shù)，分離出一部分輸入序列以供使用。例如：
Theano 中的「truncate_gradient」參數(shù)：deeplearning
6. 使用編碼器-解碼器架構(gòu)
你可以使用自編碼器來讓長序列表示為新長度，然后解碼網(wǎng)絡將編碼表示解釋為所需輸出。這可以是讓無監(jiān)督自編碼器成為序列上的預處理傳遞者，或近期用于神經(jīng)語言翻譯的編碼器-解碼器 LSTM 網(wǎng)絡。
當然，目前機器學習系統(tǒng)從超長序列中學習或許仍然非常困難，但通過復雜的架構(gòu)和以上一種或幾種方法的結(jié)合，我們是可以找到辦法解決這些問題的。
其他瘋狂的想法
這里還有一些未被充分驗證過的想法可供參考。
將輸入序列拆分為多個固定長度的子序列，并構(gòu)建一種模型，將每個子序列作為單獨的特征（例如并行輸入序列）進行訓練。
雙向 LSTM，其中每個 LSTM 單元對的一部分處理輸入序列的一半，在輸出至層外時組合。這種方法可以將序列分為兩塊或多塊處理。
我們還可以探索序列感知編碼方法、投影法甚至哈希算法來將時間步的數(shù)量減少到指定長度。
推薦閱讀：
