https://www.zhihu.com/question/304757225/answer/1152308274
作者:JeffryTu
链接:https://www.zhihu.com/question/304757225/answer/1152308274
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
下图是LSTM三种门的计算公式:
LSTM层中dropout表示上式中对 的dropout,recurrent_dropout表示对
的dropout
而Dropout层,以如下结构为例:
model.add(..)
model.add(LSTM(10))
model.add(Dropout(0.5))
model.add(Dense(1,activation='sigmoid'))
记LSTM的输出为 (10维,最后一个单元的隐藏状态),下一层Dense层的输出为y(1维),设
,则这里的Dropout层表示对
进行概率为0.5的dropout
model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))
第一个dropout是x和hidden之间的dropout
第二个是hidden-hidden之间的dropout