LSTM神经网络输入输出究竟是怎样的？

转自：https://blog.csdn.net/T7SFOKzorD1JAYMSFk4/article/details/78960039
本题节选自《BAT机器学习面试1000题》，1000题系列作为国内首个AI题库，囊括绝大部分机器学习和深度学习的笔试面试题、知识点，可以作为机器学习自测题，也可以当做查漏补缺的资料库。七月在线AI题库（网页版及APP版）见“阅读原文”

306. LSTM神经网络输入输出究竟是怎样的？
     @YJango，本题解析来源：https://www.zhihu.com/question/41949741
     Recurrent Layers——介绍（https://zhuanlan.zhihu.com/p/24720659?refer=YJango）

第一要明确的是神经网络所处理的单位全部都是：向量

下面就解释为什么你会看到训练数据会是矩阵和张量

常规feedforward 输入和输出：矩阵

   输入矩阵形状：(n_samples, dim_input)
   输出矩阵形状：(n_samples, dim_output)

注：真正测试/训练的时候，网络的输入和输出就是向量而已。加入n_samples这个维度是为了可以实现一次训练多个样本，求出平均梯度来更新权重，这个叫做Mini-batch gradient descent。 如果n_samples等于1，那么这种更新方式叫做Stochastic Gradient Descent (SGD)。
Feedforward 的输入输出的本质都是单个向量。

常规Recurrent (RNN/LSTM/GRU) 输入和输出：张量

   输入张量形状：(time_steps, n_samples,  dim_input)
   输出张量形状：(time_steps, n_samples,  dim_output)

注：同样是保留了Mini-batch gradient descent的训练方式，但不同之处在于多了time step这个维度。
Recurrent 的任意时刻的输入的本质还是单个向量，只不过是将不同时刻的向量按顺序输入网络。所以你可能更愿意理解为一串向量 a sequence of vectors，或者是矩阵。

python代码表示预测的话：

import numpy as np
#当前所累积的hidden_state,若是最初的vector，则hidden_state全为0
hidden_state=np.zeros((n_samples, dim_input))
#print(inputs.shape)：（time_steps, n_samples, dim_input)
outputs = np.zeros((time_steps, n_samples, dim_output))

for i in range(time_steps):
#输出当前时刻的output，同时更新当前已累积的hidden_state outputs[i],
hidden_state = RNN.predict(inputs[i],hidden_state)
#print(outputs.shape)：(time_steps, n_samples, dim_output)
但需要注意的是，Recurrent nets的输出也可以是矩阵，而非三维张量，取决于你如何设计。

若想用一串序列去预测另一串序列，那么输入输出都是张量 (例如语音识别或机器翻译 一个中文句子翻译成英文句子（一个单词算作一个向量），机器翻译还是个特例，因为两个序列的长短可能不同，要用到seq2seq；

若想用一串序列去预测一个值，那么输入是张量，输出是矩阵 （例如，情感分析就是用一串单词组成的句子去预测说话人的心情）

Feedforward 能做的是向量对向量的one-to-one mapping，
Recurrent 将其扩展到了序列对序列 sequence-to-sequence mapping.
但单个向量也可以视为长度为1的序列。所以有下图几种类型：0?wx_fmt=jpeg
除了最左侧的one to one是feedforward 能做的，右侧都是Recurrent所扩展的

若还想知道更多

可以将Recurrent的横向操作视为累积已发生的事情，并且LSTM的memory cell机制会选择记忆或者忘记所累积的信息来预测某个时刻的输出。

以概率的视角理解的话：就是不断的conditioning on已发生的事情，以此不断缩小sample space

RNN的思想是: current output不仅仅取决于current input，还取决于previous state；可以理解成current output是由current input和previous hidden state两个输入计算而出的。并且每次计算后都会有信息残留于previous hidden state中供下一次计算

往期题目：

BAT机器学习面试1000题系列（第1~60题）

BAT机器学习面试1000题系列（第61~100题）

BAT机器学习面试1000题系列（第101~200题）

BAT机器学习面试1000题系列（第201~250题）

BAT机器学习面试1000题系列（第251~255题）

BAT机器学习面试1000题系列（第256~260题）

BAT机器学习面试1000题系列（第261~265题）

BAT机器学习面试1000题系列（第266~270题）

BAT机器学习面试1000题系列（第271~275题）

BAT机器学习面试1000题系列（第276~280题）

BAT机器学习面试1000题系列（第281~285题）

BAT机器学习面试1000题系列（第286~290题）

BAT机器学习面试1000题系列（第291~295题）

BAT机器学习面试1000题系列（第296~300题）

BAT机器学习面试1000题系列（第301~305题）