1. RNN
x 为当前状态下数据的输入, h 表示接收到的上一个节点的输入。
y为当前节点状态下的输出,而 h’ 为传递到下一个节点的输出。
通过上图的公式可以看到,输出 h’ 与 x 和 h 的值都相关。
而 y 则常常使用 h’ 投入到一个线性层(主要是进行维度映射)然后使用softmax进行分类得到需要的数据。
对这里的y如何通过 h’ 计算得到往往看具体模型的使用方式。
通过序列形式的输入,我们能够得到如下形式的RNN。
2. LSTM
2.1 什么是LSTM
长短期记忆(Long short-term memory, LSTM)是一种特殊的RNN,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。
和普通RNN的主要输入输出区别如下所示。
相比RNN只有一个传递状态 [公式] ,LSTM有两个传输状态,一个
(cell state),和一个 [公式] (hidden state)。(Tips:RNN中的
对于LSTM中的
)
其中对于传递下去的
改变得很慢,通常输出的
是上一个状态传过来的
加上一些数值。
而
则在不同节点下往往会有很大的区别。
2.2 深入LSTM结构
首先使用LSTM的当前输入
和上一个状态传递下来的
拼接训练得到四个状态。
其中,
,
,
是由拼接向量乘以权重矩阵之后,再通过一个 [公式] 激活函数转换成0到1之间的数值,来作为一种门控状态。而
则是将结果通过一个
激活函数将转换成-1到1之间的值(这里使用
是因为这里是将其做为输入数据,而不是门控信号)。
是Hadamard Product,也就是操作矩阵中对应的元素相乘,因此要求两个相乘矩阵是同型的。
则代表进行矩阵加法。
LSTM内部主要有三个阶段:
-
忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会 “忘记不重要的,记住重要的”。
-
选择记忆阶段。这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入 [公式] 进行选择记忆。哪些重要则着重记录下来,哪些不重要,则少记一些。当前的输入内容由前面计算得到的 [公式] 表示。而选择的门控信号则是由 [公式] (i代表information)来进行控制。
-
输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。主要是通过 [公式] 来进行控制的。并且还对上一阶段得到的
进行了放缩(通过一个tanh激活函数进行变化)。