通常一个LSTM只需要指定输入向量 x t x_t xt和输出向量 h t h_t ht的维度,向量 C t − 1 C_{t-1} Ct−1、 C t C_t Ct、 h t − 1 h_{t-1} ht−1的维度都跟 h t h_t ht是一样的。
我们假设 x t x_t xt维度是2, h t h_t ht维度为3。
1、计算公式
1.1 遗忘门(Forget Gate)计算
这里的参数就是 W f W_f Wf和 b f b_f bf了。 [ h t − 1 , x t ] [h_{t-1}, x_t] [ht−1,xt],中括号表示向量合并,得到一个5维的向量,所以 W f W_f Wf是3×5维的矩阵。
所以这里的参数个数3×5+3=18。
σ \sigma σ表示输出一个元素取值范围为(0,1)的向量。
1.2 输入门(Input Gate)计算
这里的参数就是 W i W_i Wi和 b i b_i bi和 W C W_C WC和 b C b_C bC ,类似地,参数个数为18*2=36。
t a n h tanh tanh表示输出一个元素取值范围为(-1,1)的向量。
1.3 输出门(Output Gate)计算
这里的参数就是
W
o
W_o
Wo和
b
o
b_o
bo,类似地,参数个数为18。
1.4 C t C_t Ct计算
这里参数量为0。
1.5 h t h_t ht计算
这里参数量为0。
2、代码
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
print(tf.__version__)
model = keras.Sequential()
model.add(layers.LSTM(units=4, input_shape=(5, 3)))
model.add(layers.Dense(2, activation='sigmoid'))
model.summary()
X = np.array([[[0, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15]],
[[1, 0, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15]],
[[1, 2, 0], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15]],
[[1, 2, 3], [0, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15]],
[[1, 2, 3], [4, 0, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15]],
[[1, 2, 3], [4, 5, 0], [7, 8, 9], [10, 11, 12], [13, 14, 15]],
[[1, 2, 3], [4, 5, 6], [0, 8, 9], [10, 11, 12], [13, 14, 15]],
[[1, 2, 3], [4, 5, 6], [7, 0, 9], [10, 11, 12], [13, 14, 15]],
[[1, 2, 3], [4, 5, 6], [7, 8, 0], [10, 11, 12], [13, 14, 15]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9], [0, 11, 12], [13, 14, 15]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 0, 12], [13, 14, 15]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 0], [13, 14, 15]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [0, 14, 15]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 0, 15]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 0]]])
y = np.array([[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[0, 1],
[0, 1],
[0, 1],
[0, 1],
[0, 1],
[0, 1],
[0, 1]])
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, y, epochs=100, batch_size=3, verbose=2)
这是一个二分类问题。
输入是[batch_size, 5, 3],表示有5个Time Steps, x t x_t xt的维度是3。
LSTM层的 h t h_t ht维度是4,所以参数量=4×(4×7+4)=128。
输出是一个Dense层,[batch_size, 2],所以参数量=4×2+2=10。
Out:
2.5.0
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
lstm (LSTM) (None, 4) 128
_________________________________________________________________
dense (Dense) (None, 2) 10
=================================================================
Total params: 138
Trainable params: 138
Non-trainable params: 0
_________________________________________________________________
Epoch 1/100
5/5 - 1s - loss: 0.5914 - accuracy: 0.8667
Epoch 2/100
5/5 - 0s - loss: 0.5890 - accuracy: 0.8667
Epoch 3/100
5/5 - 0s - loss: 0.5867 - accuracy: 0.8667
...
Epoch 98/100
5/5 - 0s - loss: 0.4668 - accuracy: 0.9333
Epoch 99/100
5/5 - 0s - loss: 0.4650 - accuracy: 0.9333
Epoch 100/100
5/5 - 0s - loss: 0.4641 - accuracy: 0.9333
3、总结
1、LSTM单元开始时,将向量 h t − 1 h_{t-1} ht−1和 x t x_t xt进行拼接,然后进行3个sigmoid和1个tanh网络的计算,这里面就包含了所有参数了,注意的是,LSTM单元是共享的,所以不管有多少个Time Steps,参数量都等于1个LSTM单元的参数量。
2、sigmoid函数输出的是(0,1)的数值,tanh函数输出的是(-1,1)的数值。
3、文章的图片均由PPT制作,可以付费下载。
参考文章
[1] Understanding LSTM Networks
[2] How to get the weights of layer in a keras model for each input
[3] How to check the weights after every epoc in Keras model