LSTM-深度学习循环神经网络情感分类模型搭建

程序代码：

https://download.csdn.net/download/do_it_123/88930068

在 LSTM 中，有两个状态向量和 ， 其中作为 LSTM 的内部状态向量，可以理解为LSTM 的内存状态向量 Memory，而 表示 LSTM 的输出向量。 相对于基础的 RNN 来说， LSTM 把内部 Memory 和输出分开为两个变量，同时利用三个门控：输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)来控制内部信息的流动。 

LSTMCell

LSTMCell 的用法和 SimpleRNNCell 基本一致， 区别在于 LSTM 的状态变量 List 有两个， 即[ht , ct]， 需要分别初始化。调用 cell完成前向运算时，返回两个元素，第一个元素为 cell 的输出，也就是ht，第二个元素为cell 的更新后的状态 List： [ ht,ct ]。

Layers. LSTM

通过 layers.LSTM 层可以方便的一次完成整个序列的运算。首先新建 LSTM 网络层，经过 LSTM 层前向传播后，默认只会返回最后一个时间戳的输出， 如果需要返回每个时间戳上面的输出， 需要设置 return_sequences=True 标志。  

对于多层神经网络， 可以通过 Sequential 容器包裹多层 LSTM 层，并设置所有非末层网络 return_sequences=True，这是因为非末层的 LSTM 层需要上一层在所有时间戳的输出作为输入。 

 备注

简介此部分摘自互联网，仅供参考，若侵权，联系删除。

创作不易，相关程序，说明文档需求，如需要，可加作者新联系方式，WX：Q3101759565，QQ：3101759565[多加几次！！！]

祝您学业有成！工作顺利！ 年薪百万!