RNN与LSTM网络

目录

前言

 改进

RNN升级--LSTM网络

---

前言

RNN网络可以用于情感分析，与语言相关的工作，比如一个例子一个电影的评论，系统分析它是好评还是差评。

 假设每个单词可以用[100]表示（这种序列表示方法简单地说就是有100个单词，[1,0,...],[0,1,0...]这些表示一个单词），上图的五个单词就是输入，也就是一个[5,100]的数据。

 分别将5个单词输入线性层，得出5个Linear[2]，也就是一个[5,2]数据，最后输出概率，判断是差评还是好评。

 改进

但是这种方法存在两个问题

1.输入单词很多，每个单词都有一个参数[w,b],参数过于庞大

2.上下语境信息怎么表示

为了解决参数过大问题，我们将所有输入单词，输入到同一个线性层，也就是w和b共享

 对于上下语境信息，

 用一个h单元表示记忆，也就是这时间t的输出不仅跟当前输入xt有关，还跟上一个单元ht-1有关，最开始的h0就为0向量，展开表示

公式表示如下，里面用到的激活函数为tanh

 最终表示以及梯度的公式。

RNN升级--LSTM网络

RNN网络当预测点与依赖的相关信息距离比较远的时候，就难以学到该相关信息。例如在句子”我出生在法国，……，我会说法语“中，若要预测末尾”法语“，但是由于这两句话相距太远，导致RNN很有可能无法预测，

从原理上也很好理解，当前单元跟上一个单元有关，上一个单元跟上上一个单元有关，也就是当前单元跟之前的单元有关，但是它跟之前的相关性相当于每过一个单元就削弱一次。

具体结构如下

 里面图形符号表示意思

下面的矩形方框，被称为memory block（记忆块），主要包含了三个门（forget gate、input gate、output gate）与一个记忆单元（cell）。方框内上方的那条水平线，被称为cell state（单元状态），它就像一个传送带，可以控制信息传递给下一时刻。

LSTM可以通过门控单元可以对cell添加和删除信息。通过门可以有选择地决定信息是否通过，它有一个sigmoid神经网络层和一个成对乘法操作组成，如下： 

LSTM第一步是用来决定什么信息可以通过cell state。这个决定由“forget gate”层通过sigmoid来控制，它会根据上一时刻的输出通过或部分通过。如下：

第二步是产生我们需要更新的新信息。这一步包含两部分，第一个是一个“input gate”层通过sigmoid来决定哪些值用来更新，第二个是一个tanh层用来生成新的候选值相加，得到了候选值。

最后一步是决定模型的输出，首先是通过sigmoid层来得到一个初始输出，然后使用tanh将
值缩放到-1到1间，再与sigmoid得到的输出逐对相乘，从而得到模型的输出。
 这显然可以理解，首先sigmoid函数的输出是不考虑先前时刻学到的信息的输出，tanh函数是对先前学到信息的压缩处理，起到稳定数值的作用，两者的结合学习就是递归神经网络的学习思想。至于模型是如何学习的，那就是后向传播误差学习权重的一个过程了。