前言
传统卷积神经网络更加针对的是空间相关性的数据,比如各种各样的图片
而生活中,并不是所有数据都是具有较强的空间相关性的。比如我们的文字,语音,它是一种随时间变化的数据,我们常称这种数据为序列数据
于是出现了RNN循环神经网络来解决这种序列数据。但是序列数据通常长度很长,它相当于卷积神经网络一层层卷积层,当长度过长,会引发梯度消失或梯度爆炸。卷积神经网络我们可以控制,但是序列数据长度就在这儿,如果缩短了话会降低准确性,因此科学家们在研究如何更好的传递序列中的隐藏状态从而避免梯度消失。而LSTM长短期记忆模型正好解决了这个问题
总体结构
整个网络用了类似逻辑电路的门结构
PS:图片引用自MXNET论坛,链接:http://zh.d2l.ai/chapter_recurrent-neural-networks/lstm.html
遗忘门,输入门,输出门
遗忘门主要是控制是否遗忘上一层的隐藏细胞状态
输入有当前时间步的序列数据,上一时间步的隐藏状态
这两个输入进去后经过sigmoid激活函数得到一个值域为[0,1]的输出F1