到目前為止，我們的序列學習任務的工作示例是語言建模，我們的目標是在給定序列中所有先前標記的情況下預測下一個標記。在這種情況下，我們只希望以左向上下文為條件，因此標準 RNN 的單向鏈接似乎是合適的。然而，還有許多其他序列學習任務上下文，在這些上下文中，在向左和向右上下文的每個時間步調整預測是非常好的。例如，考慮詞性檢測。在評估與給定詞相關的詞性時，為什么我們不應該考慮兩個方向的上下文？

另一項常見任務（通常在針對感興趣的實際任務微調模型之前用作預訓練練習）是屏蔽文本文檔中的隨機標記，然后訓練序列模型以預測缺失標記的值。請注意，根據空白后面的內容，缺失標記的可能值會發(fā)生顯著變化：

• 我是___。

• 我___餓了。

• 我___餓了，我能吃半頭豬。

在第一句話中，“快樂”似乎是一個可能的候選者。“不”和“非常”這兩個詞在第二句中似乎說得通，但“不”與第三句似乎格格不入。

幸運的是，一種簡單的技術可以將任何單向 RNN 轉換為雙向 RNN （Schuster 和 Paliwal，1997）。我們簡單地實現(xiàn)兩個單向 RNN 層，它們以相反的方向鏈接在一起并作用于相同的輸入（圖 10.4.1）。對于第一個 RNN 層，第一個輸入是x1最后的輸入是 xT，但是對于第二個 RNN 層，第一個輸入是 xT最后的輸入是x1. 為了產生這個雙向 RNN 層的輸出，我們只需將兩個底層單向 RNN 層的相應輸出連接在一起。

圖 10.4.1雙向 RNN 的架構。

正式地為任何時間步長t，我們考慮一個小批量輸入 Xt∈Rn×d（示例數量： n，每個示例中的輸入數量：d) 并令隱藏層激活函數為?. 在雙向架構中，這個時間步長的前向和后向隱藏狀態(tài)是H→t∈Rn×h 和H←t∈Rn×h，分別在哪里h是隱藏單元的數量。前向和后向隱藏狀態(tài)更新如下：

權重在哪里 Wxh(f)∈Rd×h,Whh(f)∈Rh×h,Wxh(b)∈Rd×h,?and?Whh(b)∈Rh×h, 和偏見bh(f)∈R1×h和 bh(b)∈R1×h都是模型參數。

接下來，我們連接前向和后向隱藏狀態(tài)