1.单向RNN结构
上述公式中,权重矩阵U、V、W共享
2.双向RNN(Bidirection-RNN)结构
双向RNN的最终输出和中间隐藏状态的计算公式如下,正向计算与反向计算不共享权重:
3.LSTM(长短时记忆网络)
普通的RNN网络中只有S_t = f(Ux_t+WS_t-1),这种结构无法捕捉到长文本中远距离相关的特征,同时隐藏层的状态对短期的输入非常敏感,也会产生梯度爆炸或梯度消失问题。LSTM的关键在于cell的状态(整个绿色图表示一个cell)和穿过cell的那条水平线。
如果只有上面的那条水平线是没办法实现添加或删除信息的,必须通过一种叫门(gates)的结构实现,门可以让信息选择性的通过,主要通过一个sigmoid的神经层和一个逐点相乘的操作实现的。
sigmoid层的输出是一个向量,向量的每个元素都在[0,1]之间,表示让对应的信息通过的权重。如:0表示不让信息通过,1表示让所有信息通过。
- (1)遗忘门(forget gate)
在LSTM中的第一步决定我们会从细胞状态中遗忘什么信息,这个决定通过一个称为遗忘门层来实现的。该门会读取 h t − 1 h_{t-1} ht−1和 x t x_t xt,输出一个在[0,1]之间的数值给每个在细胞状态 C t − 1 C_{t-1} Ct−1中的数字,1表示“完全保留”,0表示“完全遗忘”。
其中 h t − 1 h_{t-1} ht−1表示上一个cell的输出, x t x_t xt表示当前细胞的输入,sigmoid表示激活函数 - (2)输入门(input gate)
下一步决定让多少新的信息加入到cell状态中,实现这个需要包括两个步骤:首先,一个叫做"input gate layer"的sigmoid层决定哪些信息需要更新;一个tanh层生成一个向量,即备选用来更新的内容 C ^