GRU(Gated recurrent unit)结构介绍

最新推荐文章于 2025-04-26 19:10:28 发布

I_belong_to_jesus

最新推荐文章于 2025-04-26 19:10:28 发布

阅读量8.4k

点赞数 8

分类专栏：推荐算法文章标签： gru 深度学习人工智能

本文链接：https://blog.csdn.net/fangfanglovezhou/article/details/122560797

版权

推荐算法专栏收录该内容

14 篇文章

订阅专栏

GRU结构概述

GRU(Gated recurrent unit)是RNN中的一种门机制单元，与LSTM类似，GRU有一个遗忘门（forget gate），但其没有输出门（output gate）。GRU在音乐模型、语音信号模型和NLP模型中的性能与LSTM类似，而且在一些小样本数据集表现出更有的性能。

GRU结构

GRU的结构如下图所示：

Image from [38]. The GRU model combines the "forget" gate and "input"... | Download Scientific Diagram

它只有两个门，对应输出更新门（update gate）向量: $\textbf{z}_t$ 和重置门（reset gate）向量: $\textbf{r}_t$ ，更新门负责控制上一时刻状态信息 $\textbf{h}_{t-1}$ 对当前时刻状态的影响，更新门的值越大说明上一时刻的状态信息 $\textbf{h}_{t-1}$ 带入越多。而重置门负责控制忽略前一时刻的状态信息 $\textbf{h}_{t-1}$ 的程度，重置门的值越小说明忽略的越多。注意前两个，更新门和重置门的表达式， $[,]$ 表示两个向量连接， $\cdot$ 表示矩阵相乘， $\sigma$ 表示sigmoid函数。

接下来，“重置”之后的重置门向量 $\textbf{r}_t$ 与前一时刻状态 $\textbf{h}_{t-1}$ 卷积 $\textbf{r}_t * \textbf{h}_{t-1}$ ，再将 $\textbf{r}_t * \textbf{h}_{t-1}$ 与输入 $\textbf{x}_t$ 进行拼接，再通过激活函数tanh来将数据放缩到-1~1的范围内。这里包含了输入数据 $\textbf{x}_t$ ，并且将上一时刻状态的卷积结果添加到当前的隐藏状态，通过此方法来记忆当前时刻的状态。

最后一个步骤是更新记忆阶段，此阶段同时进遗忘和记忆两个步骤，使用同一个门控 $\textbf{z}_t$ 同时进行遗忘和选择记忆（LSTM是多个门控制）

$(\textbf{1} -\textbf{z}_t)*\textbf{h}_{t-1}$ ：对隐藏的原状态，选择性地遗忘。

$\textbf{z}_t*{\widetilde{\textbf{h}}}_{t}$ ：对当前节点信息，进行选择性的记忆。

GRU单元的tensorflow 实现

def gru(inputs, state, params):
    W_xz, W_hz, b_z, W_xr, W_hr, b_r, W_xh, W_hh, b_h, W_hq, b_q = params
    H, = state
    outputs = []
    for X in inputs:
        X=tf.reshape(X,[-1,W_xh.shape[0]])
        Z = tf.sigmoid(tf.matmul(X, W_xz) + tf.matmul(H, W_hz) + b_z)
        R = tf.sigmoid(tf.matmul(X, W_xr) + tf.matmul(H, W_hr) + b_r)
        H_tilda = tf.tanh(tf.matmul(X, W_xh) + tf.matmul(R * H, W_hh) + b_h)
        H = Z * H + (1 - Z) * H_tilda
        Y = tf.matmul(H, W_hq) + b_q
        outputs.append(Y)
    return outputs, (H,)