快了135倍。
近日，上海交大的研究人员提出了切片循环神经网络（Sliced recurrent neural networks，SRNN）的结构，在不改变循环单元的情况下，比RNN结构快135倍。
这种如同脚踩风火轮一般的操作，究竟是怎样实现的？
在论文《Sliced Recurrent Neural Networks》中，研究人员给出了具体介绍。我们先来看看“全是重点其他免谈”的论文重点——
“曲线救国”的SRNN
传统RNN结构中最流行的循环单元是LSTM和GRU，二者都能在隐藏层中通过门控机制（Gating Mechanism）存储近期信息，然后决定这些信息将以怎样的程度和输入结合。这种结构的缺点也很明显，RNN很难实现并行化处理。
△ 传统RNN结构，A代表循环单元 | 每一步都需要等待上一步的输出结果
因此，很多学者选在在NLP任务中用CNN来代替，但CNN无法有效获取重要的顺序信息，效果并不理想。
SRNN的结构基于RNN结构进行改良，将输入的序列切成最小的等长子序列。在这种结构中，无需等待上一步的输出结果，循环单元可在每一层的每一个子序列中同时开工，并且信息可通过多层神经网络进行传送。
△ SRNN结构图，A代表循环单元
最后，研究人员比较了SRNN和RNN在不同序列长度时的训练时间和与速度。
结果显示，序列越长，SRNN的优势越明显，当序列长度为32768时，SRNN的速度达到了RNN的136倍。
论文摘要
在NLP（自然语言处理）的很多任务中，循环神经网络已经取得了成功。然而这种循环的结构让并行化变得很困难，所以，训练RNN的时间通常较长。
在这篇文章中，我们提出了一种切片循环神经网络的结构，能够将序列切割成很多子序列，从而实现并行。这种结构可以在额外参数较少的情况下，通过神经网络的多个层次获取高级信息。
我们已经证明，我们可以将标准的RNN结构理解为是SRNN在使用线性激活函数时的特殊情况。
在不改变循环单元的情况下，SRNN能够比标准RNN快135倍，在训练长序列时甚至更快。我们也在大型情感分析数据集上用实验证实，SRNN的表现优于RNN。
论文传送门
关于这项研究的更具体的细节，可以移步上海交大电气信息与电气工程学院的Zeping Yu和Gongshen Liu的论文《Sliced Recurrent Neural Networks》，地址如下——
