习题6-4 推导LSTM网络中参数的梯度, 并分析其避免梯度消失的效果
这里我听的是哔哩哔哩上的讲解,这个视频对公式的推导讲解的很详细,每个公式是怎么来的都讲解的很透彻:5.LSTM如何缓解梯度消失(公式推导)_哔哩哔哩_bilibili和 清晰图解LSTM、BPTT、RNN的梯度消失问题_哔哩哔哩_bilibili,以第一个链接的视频讲解为主,图也截取自这里。
下面开始进行推导:(下面的图是我由讲解画出的图)
路径:
推导公式:
路径:
推导公式:
路径图:(由于路径过多一一画出太过繁杂,这里仅写出路径)
推导公式:
LSTM避免梯度消失的原因:
以上公式只是t=3时的推导,如果是更多的时间步,就是多个类似公式的累乘。从这一步的结果中我们可以发现,其结果的取值范围并不一定局限在[0,1]中,而是有可能大于1的。
可以总结为两个原因:
1、cell state传播函数中的“加法”结构确实起了一定作用,它使得导数有可能大于1;
2、LSTM中逻辑门的参数可以一定程度控制不同时间步梯度消失的程度。
(参考:为什么LSTM可以缓解梯度消失?_lstm为什么能解决梯度消失-CSDN博客)
但是我在搜索了一些资料后发现LSTM只能缓解梯度消失,并不能完全解决梯度消失问题。
习题6-3P 编程实现下图LSTM运行过程
同学提出,未发现输入。可以适当改动例题,增加该输入。
实现LSTM算子,可参考实验教材代码。
1. 使用Numpy实现LSTM算子
这段代码是在今天也是元气满满的一天呢_深度学习,利用python解决力扣问题,csp ccf 随机更新-CSDN博客发我的代码的基础上进行修改的代码。
import numpy as np
# x1,x2,x3
x = [[3,1,0],[4,1,0], [2,0,0], [1,0,1], [3,-1,0]]
bias = 1
print("得到的输入为:", x)
# sigmoid 激活函数
def sigmoid(x):
return np.round(1 / (1 + np.exp(-x)))
# input Gate
def input_gate(i,x,bias):
inputs = x[i][0] * 0 + x[i][1] * 100 + x[i][2] * 0 + bias * (-10)
return sigmoid(inputs)
# Forget_Gate
def forget_gate(i,x,bias):
forgets = x[i][0] * 0 + x[i][1] * 100 + x[i][2] * 0 + bias * 10
return sigmoid(forgets)
# output gate
def output_gate(i,x,bias):
outputs = x[i][0] * 0 + x[i][1] * 0 + x[i][2] * 100 + bias * (-10)
return sigmoid(outputs)
# Block
def Block(i,x,bias):
blocks = x[i][0] * 1 + x[i][1] * 0 + x[i][2] * 0 + bias * 0
return blocks
print(Block(0,x,bias),input_gate(0,x,bias),forget_gate(0,x,bias),output_gate(0,x,bias))
# 延迟器
hidden = []
y = []
temp=0
for i in range(len(x)):#遍历
input1=Block(i,x,bias) * input_gate(i,x,bias)#输入门控制
forget=forget_gate(i,x,bias)#遗忘门控制
if forget==1:
temp+=input1#暂存
hidden.append(temp)#存入隐藏层
else:
temp=0
hidden.append(temp)
#输出门控制
control_hidden=output_gate(i,x,bias)
if control_hidden==1:
y.append(temp)
else:
y.append(0)
print("中间结果为:",hidden)
print("最终结果为:", y)
可以看出运行结果与正确结果一致。
2. 使用nn.LSTMCell实现
参考熬夜患者_PTA 乙级,算法,DL模型-CSDN博客给出的中文版本的官方文档内容,比在官网上直接英译汉看的明白很多,中文网站链接:PyTorch - torch.nn.LSTMCell (runebook.dev)
下面给出官网链接:LSTMCell — PyTorch 2.1 documentation(英文版)
代码:
import torch
import torch.nn as nn
# 输入数据 x 维度需要变换,因为LSTMcell接收的是(time_steps,batch_size,input_size)
# time_steps = 9, batch_size = 1, input_size = 4
x = torch.tensor([[1, 0, 0, 1],
[3, 1, 0, 1],
[2, 0, 0, 1],
[4, 1, 0, 1],
[2, 0, 0, 1],
[1, 0, 1, 1],
[3, -1, 0, 1],
[6, 1, 0, 1],
[1, 0, 1, 1]], dtype=torch.float)
x = x.unsqueeze(1)
# LSTM的输入size和隐藏层size
input_size = 4
hidden_size = 1
# 定义LSTM单元
lstm_cell = nn.LSTMCell(input_size=input_size, hidden_size=hidden_size, bias=False)
lstm_cell.weight_ih.data = torch.tensor([[0, 100, 0, 10], # forget gate
[0, 100, 0, -10], # input gate
[1, 0, 0, 0], # output gate
[0, 0, 100, -10]]).float() # cell gate
lstm_cell.weight_hh.data = torch.zeros([4 * hidden_size, hidden_size])
# https://runebook.dev/zh/docs/pytorch/generated/torch.nn.lstmcell
hx = torch.zeros(1, hidden_size)
cx = torch.zeros(1, hidden_size)
outputs = []
for i in range(len(x)):
hx, cx = lstm_cell(x[i], (hx, cx))
outputs.append(hx.detach().numpy()[0][0])
outputs_rounded = [round(x) for x in outputs]
print(outputs_rounded)
3. 使用nn.LSTM实现
中文版:PyTorch - torch.nn.LSTM (runebook.dev)
官网:PyTorch - torch.nn.LSTM (runebook.dev)
import torch
import torch.nn as nn
# 输入数据 x 维度需要变换,因为 LSTM 接收的是 (sequence_length, batch_size, input_size)
# sequence_length = 9, batch_size = 1, input_size = 4
x = torch.tensor([[1, 0, 0, 1],
[3, 1, 0, 1],
[2, 0, 0, 1],
[4, 1, 0, 1],
[2, 0, 0, 1],
[1, 0, 1, 1],
[3, -1, 0, 1],
[6, 1, 0, 1],
[1, 0, 1, 1]], dtype=torch.float)
x = x.unsqueeze(1)
# LSTM 的输入 size 和隐藏层 size
input_size = 4
hidden_size = 1
# 定义 LSTM 模型
lstm = nn.LSTM(input_size=input_size, hidden_size=hidden_size, bias=False)
# 设置 LSTM 的权重矩阵
lstm.weight_ih_l0.data = torch.tensor([[0, 100, 0, 10], # forget gate
[0, 100, 0, -10], # input gate
[1, 0, 0, 0], # output gate
[0, 0, 100, -10]]).float() # cell gate
lstm.weight_hh_l0.data = torch.zeros([4 * hidden_size, hidden_size])
# 初始化隐藏状态和记忆状态
hx = torch.zeros(1, 1, hidden_size)
cx = torch.zeros(1, 1, hidden_size)
# 前向传播
outputs, (hx, cx) = lstm(x, (hx, cx))
outputs = outputs.squeeze().tolist()
# print(outputs)
outputs_rounded = [round(x) for x in outputs]
print(outputs_rounded)
总结:
1. 这次作业感悟最大的是对于LSTM反向传播的推导过程,推导过程我听了清晰图解LSTM、BPTT、RNN的梯度消失问题_哔哩哔哩_bilibili和5.LSTM如何缓解梯度消失(公式推导)_哔哩哔哩_bilibili这两个视频讲解,第一个视频主要是讲解LSTM解决梯度消失的原因,对LSTM的过程进行了动图演示,公式主要参考第二个视频的讲解明白了公式的来龙去脉,根据讲解画出了反向传播的路径图并写出了推导公式。
2.关于第二问的代码我参考了DL Homework 11-CSDN博客和【23-24 秋学期】NNDL 作业11 LSTM-CSDN博客大概了解了代码流程和函数使用,发现了一个很好用的中文版的函数解析,对于LSTM的过程有了详细的理解。
3. 我对作业9进行了部分完善和修改,由于完成作业9时生病回家了三天,完成的比较仓促,后续还会再完善。