1.LSTM简单介绍
(产生矩阵变化的都是下面图中的红色部分 一共有四个 上面那个tanh由于维度正确,只需要激活即可,没有矩阵变换)
LSTM只有一个,他的权重都是共享的
红框从左到右,依次是:
- 忘记门层: 决定从细胞状态中丢弃什么信息,通过当前时刻输入和前一个时刻输出决定
- 细胞状态: 确定并更新新信息到当前时刻的细胞状态中
- 输出门层: 基于目前的细胞状态决定该时刻的输出
2.简单假设样例
假设现有一个样本,Shape=(13,5),时间步是13,每个时间步的特征长度是5.形象点,我把一个样本画了出来:
一个样本
使用Keras框架添加LSTM层时,我的设置是这样的keras.layers.LSTM(10)
,也就是我现在设定,每个时间步经过LSTM后,得到的中间隐向量是10维(意思是5->10维),13个时间步的数据进去得到的是(13*10)的数据.
每个时间步对应神经元个数(参数个数)一样.也就是算一个LSTM中神经元个数,算一个时间步中参与的神经元个数即可.下面将对LSTM每个计算部分进行神经元分析.
3.神经元分析
3.1忘记门层
图中公式的是上一个状态的隐向量(已设定隐向量长度为10),为当前状态的输入(长度为5),通过拼接起来,那么的长度就是10+5=15了.和为该层的参数.
该层输出是中间隐向量的长度(10),经过激活前后的长度不变.只需要考虑里面的操作得到10维特征即可.
[ht-1,xt]是(1,15)的向量,与Wf相乘得到(1,10)的向量,根据矩阵相乘规律,得到是(15,10)的矩阵,得到(1,10)矩阵后,与该门层偏置相加,偏置也应该有相同的形状,即bf是(1,10)的矩阵.
即:该层神经元为:
3.2细胞状态
(1)确定更新信息过程
可以看到,这里公式和前面的一样的,和都是激活函数,不影响参数个数.
同理这过程的神经元个数是:
(2)更新过程
公式中的四个值,均是前面计算得到的结果,因此该过程没有参数需要学习.
3.3输出层
一样的公式,神经元个数一样.即个数为:
3.4总结
把公式(1),(2),(3)的神经元加起来,就是该LSTM的神经元个数了.
其实,我们可以把这个问题一般化,不看这个例子,假设你一个时间步的特征长度是n,经过该LSTM得到的长度是m,这样就可以算出该LSTM层的神经元个数为: