人人都能看懂的 LSTM
共 1889字,需浏览 4分钟
·
2020-10-17 22:08
这是在看了台大李宏毅教授的深度学习视频之后的一点总结和感想。看完介绍的第一部分RNN尤其LSTM的介绍之后,整个人醍醐灌顶。本篇博客就是对视频的一些记录加上了一些个人的思考。
0. 从RNN说起
循环神经网络(Recurrent Neural Network,RNN)是一种用于处理序列数据的神经网络。相比一般的神经网络来说,他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义,RNN就能够很好地解决这类问题。
1. 普通RNN
先简单介绍一下一般的RNN。
其主要形式如下图所示(图片均来自台大李宏毅教授的PPT):
![](https://filescdn.proginn.com/ab446ae3524d39c2eee74bba98c80636/a2b01302588ec74dddb67162e7cbe169.webp)
这里:
为当前状态下数据的输入,
表示接收到的上一个节点的输入。
为当前节点状态下的输出,而
为传递到下一个节点的输出。
通过上图的公式可以看到,输出 h' 与 x 和 h 的值都相关。
而 y 则常常使用 h' 投入到一个线性层(主要是进行维度映射)然后使用softmax进行分类得到需要的数据。
对这里的y如何通过 h' 计算得到往往看具体模型的使用方式。
通过序列形式的输入,我们能够得到如下形式的RNN。
![](https://filescdn.proginn.com/099e3b1055c71143b2fcf6b7ce2a92c9/0a02be62048511769700e1029e1ba0ee.webp)
2. LSTM
2.1 什么是LSTM
长短期记忆(Long short-term memory, LSTM)是一种特殊的RNN,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。
LSTM结构(图右)和普通RNN的主要输入输出区别如下所示。
![](https://filescdn.proginn.com/4bd05cb24057f6097af6e74ff51e3ac2/74a10729ff4e8f1fdf89895a7e1af145.webp)
相比RNN只有一个传递状态 ,LSTM有两个传输状态,一个
(cell state),和一个
(hidden state)。(Tips:RNN中的
对于LSTM中的
)
其中对于传递下去的 改变得很慢,通常输出的
是上一个状态传过来的
加上一些数值。
而 则在不同节点下往往会有很大的区别。
2.2 深入LSTM结构
![](https://filescdn.proginn.com/cd6bb67b4ad4ea5614f84f38fb16f63f/5ff9245cf5cb4f80fb7fb45294139880.webp)
![](https://filescdn.proginn.com/ae823e6b530eb541d31f6895d5780eee/f2ee40f0b3556f8b4883fe541b078659.webp)
![](https://filescdn.proginn.com/30d7c27da9dc34e2c2bd408489a320d0/be9ee2abb9e69ef3aba7ad7835520de0.webp)
![](https://filescdn.proginn.com/ba4be3761b99776552088e9968e1502e/a1dcd6e245e699c30a003f97cfcd3547.webp)
![](https://filescdn.proginn.com/8545ed46d93ffe37696c7e8222f5b85d/b561fedf58bbabe2a186d8c70ca75743.webp)
![](https://filescdn.proginn.com/845f534dd4a1fd7753b2b5014bab1c26/a4679b90e9b2f53877fc6981ded58024.webp)
![](https://filescdn.proginn.com/a1a4317b5f80b9af3f559ddd69c279a7/a89bb9fcc2bee5948840740fa5ff18a5.webp)
![](https://filescdn.proginn.com/57ed9d2510bed22022b340400f972615/39844caee575fe56731da3caca884be4.webp)
![](https://filescdn.proginn.com/7b476db4b43e8990b2f0fa9b6c5f4e63/874a07f4d3f71522c66e90ae6bb118e6.webp)
![](https://filescdn.proginn.com/5480b44e5155ada417efba8ab9fe33cb/580924c79063182925cdb10842866310.webp)
![](https://filescdn.proginn.com/5480b44e5155ada417efba8ab9fe33cb/580924c79063182925cdb10842866310.webp)
![](https://filescdn.proginn.com/cd229f3b91bb1502d3cbebe9b917c9ee/d500cff18f23db865305b68bf9ce6c11.webp)
![](https://filescdn.proginn.com/347e7857d30a40ca23eff4e293a7fb80/6e50930dcc0a022edff381762f23224c.webp)
![](https://filescdn.proginn.com/120bfbbfb36db5312bb159ce68282b6f/b726a6c4e3c9f7d62e63171e8308fc94.webp)
![](https://filescdn.proginn.com/8545ed46d93ffe37696c7e8222f5b85d/b561fedf58bbabe2a186d8c70ca75743.webp)
![](https://filescdn.proginn.com/1707542a0f02001be93e892f6f0fd9ce/8bf00cdc08a7a85f0f0c0c0bfb2560ab.webp)
![](https://filescdn.proginn.com/cd6bb67b4ad4ea5614f84f38fb16f63f/5ff9245cf5cb4f80fb7fb45294139880.webp)
![](https://filescdn.proginn.com/7b476db4b43e8990b2f0fa9b6c5f4e63/874a07f4d3f71522c66e90ae6bb118e6.webp)
![](https://filescdn.proginn.com/845f534dd4a1fd7753b2b5014bab1c26/a4679b90e9b2f53877fc6981ded58024.webp)
将上面两步得到的结果相加,即可得到传输给下一个状态的。也就是上图中的第一个公式。
3. 输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。主要是通过 来进行控制的。并且还对上一阶段得到的
进行了放缩(通过一个tanh激活函数进行变化)。
与普通RNN类似,输出 往往最终也是通过
变化得到。
3. 总结
以上,就是LSTM的内部结构。通过门控状态来控制传输状态,记住需要长时间记忆的,忘记不重要的信息;而不像普通的RNN那样只能够“呆萌”地仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说,尤其好用。
但也因为引入了很多内容,导致参数变多,也使得训练难度加大了很多。因此很多时候我们往往会使用效果和LSTM相当但参数更少的GRU来构建大训练量的模型。
转自:AI有道