2021-10-24

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：

1. 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”。

2. 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。

3. 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）。