深度学习500问——Chapter06：循环神经网络（RNN）（3）

最新推荐文章于 2024-08-31 08:01:24 发布

JOYCE_Leo16

最新推荐文章于 2024-08-31 08:01:24 发布

阅读量905

点赞数 26

分类专栏：《深度学习500问》文章标签：深度学习 rnn 人工智能

本文链接：https://blog.csdn.net/leonardotu/article/details/137427404

版权

《深度学习500问》专栏收录该内容

49 篇文章 29 订阅

订阅专栏

文章目录

6.11 LSTM

6.11.1 LSTM的产生原因

6.11.2 图解标准RNN和LSTM的区别

6.11 LSTM

6.11.1 LSTM的产生原因

RNN在处理长期依赖（时间序列上距离较远的节点）时会遇到巨大的困难，因为计算距离较远的节点之间联系时会涉及雅可比矩阵的多次相乘，会造成梯度消失或者梯度膨胀的现象。为了解决该问题，研究人员提出了许多解决办法，例如ESN（Echo State Network），增加有漏单元（Leaky Units）等等，其中成功应用最广泛的就是门限RNN（Gated RNN），而LSTM就是门限RNN中最著名的一种。有漏单元通过设计连接间的权重系数，从而允许RNN累积距离较远节点间的长期联系；而门限RNN则泛化了这样的思想，允许在不同时刻改变该系数，且允许网络忘记当前已经积累的信息。

6.11.2 图解标准RNN和LSTM的区别

所有RNN都具有一种重复神经网络模块的链式的形式。在标准的RNN中，这个重复的模块只有一个非常简单的结构，例如一个tanh层，如下图所示：

LSTM同样是这样的结构，但是重复的模块拥有一个不同的结构。不同于单一神经网络层，这里有四个，以一种非常特殊的方式进行交互。

注：上图图标具体含义如下所示：

上图中，每一条黑线传输着一整个向量，从一个节点的输出到其他节点的输入。粉色的圈代表pointwise的操作，诸如向量的和，而黄色的矩阵就是学习到的神经网络层。合在一起的线表示向量的连接，分开的线表示内容被复制，然后分发到不同的位置。

6.11.3 LSTM核心思想图解

LSTM的关键就是细胞状态，水平线在图上方贯穿运行。细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。示意图如下所示：

LSTM有通过精心设计的称作“门”的结构来去除或者增加信息到细胞状态的能力。门是一种让信息选择式通过的方法。他们包含一个sigmoid神经网络层和一个pointwise乘法操作。示意图如下：

LSTM拥有三个门，分别是忘记层门，输入层门和输出层门，来保护和控制细胞状态。

忘记层门

作用对象：细胞状态。
作用：将细胞状态中的信息选择性的遗忘。
操作步骤：该门会读取 $h_{t-1}$ 和 $x_t$ ，输出一个在0到1之间的数值给每个在细胞状态 $C_{t-1}$ 中的数字。1表示“完全保留”，0表示“完全舍弃”。示意图如下：

输入层门

作用对象：细胞状态。
作用：将新的信息选择性的记录到细胞状态中。
操作步骤：

Step1：sigmoid层称“输入门层”决定什么值我们将要更新。

Step2：tanh层创建一个新的候选值向量 $\tilde{C}_t$ 加入到状态中。其示意图如下：

Step3：将 $c_{t-1}$ 更新为 $c_{t}$ 。将旧状态与 $f_t$ 相乘。丢弃掉我们确定需要丢弃的信息。接着加上 $i_t * \tilde{C}_t$ 得到新的候选值，根据我们决定更新每个状态的程度进行变化。其示意图如下：

输出层门

作用对象：隐藏层 $h_t$ 。
作用：确定输出什么值。
操作步骤：

Step1：通过sigmoid层来确定细胞状态的哪个部分将输出。

Step2：把细胞状态通过tanh进行处理，并将它和sigmoid门的输出相乘，最终我们仅仅会输出我们确定输出的那部分。

其示意图如下所示：

6.11.4 LSTM流行的变体

增加peephole连接

在正常的LSTM结构中，Gers F A等人提出增加peephole连接，可以门层接受细胞状态的输入。示意图如下所示：

对忘记门和输入门同时确定

不同于之前是分开确定什么忘记和需要添加什么新的信息，这里是一同做出决定。示意图如下所示：

Gated Recurrent Unit（GRU）

由Kyunghyun Cho等人提出的Gated Recurrent Unit（GRU），其将忘记门和输入门合成了一个单一的更新门。同样还混合了细胞状态和隐藏状态，和其他一些改动。其示意图如下所示：

最终模型的比标准的LSTM模型要简单，也是非常流行的变体。

6.12 LSTMs与GRUs的区别

LSTMs与GRUs的区别如图所示：

从上图可以看出，二者结构十分相似，不同在于：

new memory都是根据之前state及input进行计算，但是GRUs中有一个reset gate控制之前的state的进入量，而在LSTMs里没有类似gate；
产生新的state的方式不同，LSTMs有两个不同的gate，分别是forget gate（f gate）和input gate（i gate），而GRUs只有一种update gate（z gate）；
LSTMs对新产生的state可以通过output gate（o gate）进行调节，而GRUs对输出无任何调节。

6.13 RNNs在NLP中的典型应用

1. 语言模型与文本生成（Language Modeling and Generating Text）

给定一组单词序列，需要根据前面单词预测每个单词出现的可能性。语言模型能够评估某个语句正确的可能性，可能性越大，语句越正确。另一种应用便是使用生成模型预测下一个单词的出现概率，从而利用输出概率的采样生成新的文本。

2. 机器翻译（Machine Translation）

机器翻译是将一种源语言语句变成意思相同的另一种源语言语句，如将英语语句变成同样意思的中文语句。与语言模型关键的区别在于，需要将源语言语句序列输入后，才进行输出，即输出第一个单词时，便需要从完整的输入序列中进行获取。

3. 语音识别（Speech Recognition）

语音识别是指给定一段声波的声音信号，预测该声波对应的某种指定源语言语句以及计算该语句的概率值。

4. 图像描述生成（Generating Image Description）

同卷积神经网络一样，RNNs已经在对无标图像描述自动生成中得到应用。CNNs与RNNs结合也被应用于图像描述自动生成。

JOYCE_Leo16

关注

26
点赞
踩
21

收藏

觉得还不错? 一键收藏
打赏
0
评论
深度学习500问——Chapter06：循环神经网络（RNN）（3）

RNN在处理长期依赖（时间序列上距离较远的节点）时会遇到巨大的困难，因为计算距离较远的节点之间联系时会涉及雅可比矩阵的多次相乘，会造成梯度消失或者梯度膨胀的现象。为了解决该问题，研究人员提出了许多解决办法，例如ESN（Echo State Network），增加有漏单元（Leaky Units）等等，其中成功应用最广泛的就是门限RNN（Gated RNN），而LSTM就是门限RNN中最著名的一种。粉色的圈代表pointwise的操作，诸如向量的和，而黄色的矩阵就是学习到的神经网络层。细胞状态类似于传送带。
复制链接

扫一扫