LSTM原理
关于LSTM的原理很多大神的博客都介绍的非常详细了,这里简要的介绍一下,参考的博客和链接见文末。
RNN 在实际的应用中最主要的问题就是不能很好的捕捉到远程依赖,这是由它本身的性质决定的,尽管误差可以往后传播,但是由于梯度消失,很难调整前面的神经网络层。
而LSTM最主要的思想在于引入了遗忘门和更新门和输出门的思想,遗忘门表示对未来信息的丢失权重,更新门表示对当前信息的更新权重。
遗忘门,根据上一个时刻的
h
t
−
1
h_{t-1}
ht−1和当前时刻的
x
t
x_{t}
xt计算出, 允许上一个时刻的
C
t
−
1
C^{t-1}
Ct−1通过的权重是多少,1表示全部通过,0表示全部丢弃。
更新们则根据上一个时刻的
h
t
−
1
h_{t-1}
ht−1和当前时刻的
x
t
x_{t}
xt计算出, 允许当前时刻的
C
∗
t
−
1
C^{*t-1}
C∗t−1通过的权重是多少,1表示全部通过,0表示全部丢弃。
最后,更新当前时刻的
C
t
C^{t}
Ct,最后根据输出门计算得到隐藏层的输出:
GRU原理
GRU 里面
Z
t
Z_{t}
Zt表示更新门,有当前输入和上个隐层输出计算得到,表示当前的输入有多少传递到当前的隐层,
r
t
r_{t}
rt为记忆门,表示上个时刻的隐层输出有多少传递到当前层的输出。
区别
- GRU结构比较简单,计算代价较小,可以把网络设计的很深
- LSTM 结构复杂,性能比较强大,但是计算量比较大
样例代码
在循环神经网络中有很多中结构,输入输出可以是不同的长度,对应得到不同的结构,比如下图所示:
1-1
输入长度为1,输出长度也为1的,这种情况和传统的神经网络一样,一个输入得到一个输出。
1-N
1和输入,N个输出的情况有2种,一个是每个时刻都是x作为输入,如下图所示:
还有一种情况就是最开始有1个输入,以后的输入都是上一个时刻的输出。
N-1
输入长度为N,输出长度为1的模型,典型的例子有给定一段评论,需要评定用户的情感得分。
N-N
输入长度为N,输出长度也为N,也就是输入长度等于输出长度的情况,比较典型的有实体命名识别的任务,判断当前这个词汇是不是命名实体的一部分,还有比较典型的是序列生成,输入是当前这个序列,输出是移动一位的下一个词汇。
N-M
输入长度为N,输出长度为M的情况,输入长度和输出长度不等,最典型的情况就是翻译,具体做法是先对输入做一个编码,全部存在在一个结构中,然后依次对这个信息做解码,输出翻译的语句。
本打算把每种情况的 demo 代码都整理一下,放上去,时间不够了,先搁在这里。