通俗理解LSTM网络原理

最新推荐文章于 2024-08-11 12:10:46 发布

一只程序猿中的算法dog

最新推荐文章于 2024-08-11 12:10:46 发布

阅读量1.8k

点赞数 2

分类专栏：深度学习文章标签：神经网络深度学习

本文链接：https://blog.csdn.net/qq_45301231/article/details/117511641

版权

深度学习专栏收录该内容

5 篇文章 6 订阅

订阅专栏

LSTM

上节讲到的RNN循环神经网络有一个弊端，无法处理长距离依赖的问题，而RNN的变种长短时记忆网络(Long Short Term Memory Network, LSTM)，可以解决这个问题。
原始RNN的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。LSTM在此基础上又增加一个状态，即c，让它来保存长期的状态，称为单元状态(cell state)。
在这里插入图片描述
新增加的状态c，称为单元状态。我们把上图按照时间维度展开：
如图在 t 时刻，LSTM 的输入有三个：当前时刻网络的输入值 Xt、上一时刻 LSTM 的输出值 ht-1、以及上一时刻的单元状态 Ct-1；

LSTM 的输出有两个：当前时刻 LSTM 输出值 ht、和当前时刻的单元状态 Ct.

LSTM的关键，就是怎样控制长期状态c。在这里，LSTM的思路是使用三个控制开关。第一个开关，负责控制继续保存长期状态c；第二个开关，负责控制把即时状态输入到长期状态c；第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。三个开关的作用如下图所示：
在这里插入图片描述
第一个开关，负责控制继续保存长期状态c；
第二个开关，负责控制把即时状态输入到长期状态c；
第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。

LSTM的前向计算

如何在算法中实现这三个开关？我们引入“门(gate)”的概念。门实际上就是一层全连接层，它的输入是一个向量，输出是一个0到1之间的实数向量。假设W是门的权重向量，b是偏置项，那么门可以表示为：
在这里插入图片描述
门的输出是0到1之间的实数向量，用门向量的输出向量按元素乘以我们需要控制的那个向量，当门输出为0时，任何向量与之相乘都会得到0向量，这就相当于啥都不能通过；输出为1时，任何向量与之相乘都不会有任何改变，这就相当于啥都可以通过。因为σ（也就是sigmoid函数）的值域是(0,1)，所以门的状态都是半开半闭的。

LSTM用两个门来控制单元状态c的内容，一个是遗忘门，它决定了上一时刻的单元状态ct−1有多少保留到当前时刻ct；另外一个是输出门，他决定了当前时刻网络的输入xt有多少保存到单元状态ct。LSTM用输出门来控制单元状态ct有多少输出到LSTM的当前输出值ht。LSTM用输出门来控制单元状态ct有多少输出到LSTM的当前输出值ht。

遗忘门的表达式是：
在这里插入图片描述
上式中，Wf是遗忘门的权重矩阵，ht−1,xt表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数。如果输入的维度是dx，隐藏层的维度是dh，单元状态的维度是dc(d_c=d_h)，则遗忘门的权重矩阵Wf维度是dcx(dh+dx)。事实上，权重矩阵Wf都是两个矩阵拼接而成的：一个是Wfh，它对应着输入项ht−1，其维度为dcxdh；一个是Wfx，它对应着输入项xt，其维度为dcxdx。Wf可以写为：
在这里插入图片描述
下图显示了遗忘门的计算：

接下来看看输入门：

上式中，Wi是输入门的权重矩阵， $b_i$ 是输入门的偏置项。下图表示了输入门的计算：

接下来，我们计算用于描述当前输入的单元状态c~t，它是根据上一次的输出和本次输入来计算的：
在这里插入图片描述
下图是c~t的计算：

现在，我们计算当前时刻的单元状态ct。它是由上一次的单元状态ct−1按元素乘以遗忘门ft，再用当前输入的单元状态c~t按元素乘以输入门it，再将两个积加和产生的：

符号O表示按元素乘。下图是ct的计算：
在这里插入图片描述
这样，我们就把LSTM关于当前的记忆c~t和长期的记忆ct−1组合在一起，形成了新的单元状态ct。由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆。下面，我们要看看输出门，它控制了长期记忆对当前输出的影响：
在这里插入图片描述
下面表示输出门的计算：

LSTM最终的输出，是由输出门和单元状态共同确定的：

下图表示LSTM最终输出的计算：

这就是LSTM的前向计算，总共有式(1)到式(6)六个公式。