摘要
循环神经网络（RNNs）已被广泛用于处理序列数据。然而，由于众所周知的梯度消失和梯度爆炸问题，RNNs通常难以训练，并且难以学习长期模式。为了应对这些问题，长短期记忆（LSTM）和门控循环单元（GRU）被开发出来，但使用双曲正切和Sigmoid激活函数会导致梯度在层间衰减。因此，构建一个高效可训练的深度网络具有挑战性。此外，同一RNN层中的所有神经元相互纠缠，其行为难以解释。为了解决这些问题，本文提出了一种新的RNN类型——独立循环神经网络（IndRNN），其中同一层内的神经元彼此独立，并且它们在不同层之间连接。我们已经证明，通过适当调节，IndRNN可以有效防止梯度爆炸和消失问题，同时允许网络学习长期依赖关系。此外，IndRNN可以使用非饱和激活函数（如ReLU（修正线性单元）），并且仍然能够稳健地训练。多个IndRNN可以堆叠以构建比现有RNN更深的网络。实验结果表明，所提出的IndRNN能够处理非常长的序列（超过5000个时间步），可用于构建非常深的网络（实验中使用了21层），并且仍能稳健地训练。与传统的RNN和LSTM相比，在各种任务上使用IndRNN取得了更好的性能。代码可在https://github.com/Sunnydreamrain/IndRNN_Theano_Lasagne 获取。