LSTM
长的短时记忆网络。LSTM虽然只解决了短期依赖的问题,并且它通过刻意的设计来避免长期依赖问题,这样的做法在实际应用中被证明还是十分有效的,有很多人跟进相关的工作解决了很多实际的问题,所以现在LSTM 仍然被广泛地使用。
标准的循环神经网络内部只有一个简单的层结构,而 LSTM 内部有 4 个层结构:
-
第一层是个忘记层:决定状态中丢弃什么信息
-
第二层tanh层用来产生更新值的候选项,说明状态在某些维度上需要加强,在某些维度上需要减弱
-
第三层sigmoid层(输入门层),它的输出值要乘到tanh层的输出上,起到一个缩放的作用,极端情况下sigmoid输出0说明相应维度上的状态不需要更新
-
最后一层决定输出什么,输出值跟状态有关。候选项中的哪些部分最终会被输出由一个sigmoid层来决定。
每一层:input (X_t), Cell State(C_t-1), hidden state units(h_t-1), 得到Cell State(C_t-1),hidden state units(h_t);
最后一层,得到输出。
第一步:准备input (X_t), Cell State(C_t-1), hidden state units(h_t-1),
- 其中,第一层的Cell State(C_t-1), hidden state units(h_t-1)由初始化得到
- 其余层的Cell State(C_t-1), hidden state units(h_t-1)由上一层计算更新
def initHidden(self, batch_size):
Hidden_State = Variable(torch.zeros(batch_size, self.hidden_size))
Cell_State = Variable(torch.zeros(batch_size, self.hidden_size))
return Hidden_State, Cell_State
第二步:合并input (X_t), Cell State(C_t-1)
combined = torch.cat((input, Hidden_State), 1)
全部步骤:
py