摘要
循环神经网络（RNNs）由于梯度消失和梯度爆炸问题而难以训练，因此也难以学习长期模式并构建深层网络。为了解决这些问题，本文提出了一种新的RNN类型，其循环连接被定义为Hadamard乘积，称为独立循环神经网络（IndRNN），其中同一层内的神经元相互独立，并且在不同层之间进行连接。由于梯度反向传播更为稳定，通过调节循环权重，IndRNN有效地解决了梯度消失和梯度爆炸问题，从而可以学习长期依赖关系。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。研究了不同的更深的IndRNN架构，包括基本堆叠的IndRNN、残差IndRNN和密集连接的IndRNN，所有这些架构都可以比现有的RNN深得多。此外，IndRNN减少了每个时间步的计算量，并且可以比常用的长短期记忆网络（LSTM）快10倍以上。实验结果表明，所提出的IndRNN能够处理非常长的序列并构建非常深的网络。在各种任务中，与传统的RNN、LSTM以及流行的Transformer相比，IndRNN表现出更好的性能。