keras 双向LSTM

keras 双向LSTM

双向LSTM利用到了未来的信息，在一些文本分类和序列预测问题上可以做到比单向LSTM更好的效果,BiLSTM与LSTM相比，多了一个反向计算，同时利用正向方向的数据计算最终输出，关于LSTM的前向计算可以看这里

这里就只简单记录下keras 的BiLSTM参数个数计算，训练部分如下：

model = Sequential()
input_shape = (149,40)
model.add(Bidirectional(LSTM(units=20,return_sequences=True),input_shape=input_shape))
model.add(Dropout(0.5))
model.add(BatchNormalization())
model.add(TimeDistributed(Dense(1, activation='sigmoid')))
# model.add(Dense(1, activation='sigmoid'))

# LSTM参数个数计算：ht-1与xt拼接、隐藏单元数、四个门的bias
#                    （20+40）*units*4+20*4
#
#
batch_size = 64
model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
model.fit(X_training, Y_training,
          batch_size=batch_size,
          epochs=30,
          validation_data=(x_test, y_test),
          verbose=1)

LSTM参数中的return_sequences=True表示每个时间步都输出，训练得到的模型如下：

my.summary()
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
bidirectional_1 (Bidirection (None, 149, 40)           9760      
_________________________________________________________________
dropout_1 (Dropout)          (None, 149, 40)           0         
_________________________________________________________________
batch_normalization_1 (Batch (None, 149, 40)           160       
_________________________________________________________________
time_distributed_1 (TimeDist (None, 149, 1)            41        
=================================================================
Total params: 9,961
Trainable params: 9,881
Non-trainable params: 80
_________________________________________________________________

BiLSTM与LSTM相比就是多了个两倍的关系，summary中的第一层输出为(None, 149, 40)，则一个单向LSTM的输出为(None, 149, 20)，即对应了训练参数中的units=20，所以参数个数计算也就跟单向LSTM一样了，以上模型中的RNN层参数个数为$（（40+20）*20*4+20*4）*2=9760$