看了关于LSTM的很多文章,感觉都讲的不错,唯独cell中的参数维度被忽略了,导致大体上能听懂,但是一涉及细节就比较模糊,所以想在这里写一篇侧重于LSTM参数维度的文章,以备大家查阅。
文章会结合TensorFlow具体的代码,基本原理的话可以先去看一下原理篇,这里默认大家都了解基本的原理,这里推荐下自己写的LSTM详解 反向传播公式推导 。
一些参数
-
训练的话一般一批一批训练,即让batch_size 个句子同时训练;
-
每个句子的单词个数为num_steps,由于句子长度就是时间长度,因此用num_steps代表句子长度。
-
在NLP问题中,我们用词向量表示一个单词(一个数基本不能表示一个词,大家应该都知道的吧,可以去了解下词向量),我们设定词向量的长度为wordvec_size。
-
LSTM结构中是一个神经网络,即下图的结构就是一个LSTM单元,里面的每个黄框是一个神经网络,这个网络的隐藏单元个数我们设为hidden_size,那么这个LSTM单元里就有4*hidden_size个隐藏单元。
-
每个LSTM输出的都是向量,包括 C t , h t C_t,h_t Ct,ht,它们的长度都是当前LSTM单元的hidden_size(后面会解释到)。
-
语料库中单词的个数是vocab_size
单层LSTM
我们结合具体代码来讲,以下是一个单层的LSTM的最基本结构
cell = tf.contrib.rnn.LSTMBlockCell(hidden_size, forget_bias=0.0)
outputs = []
state = self._initial_state # state
with tf.variable_scope("RNN"):
for time_step in range(num_steps):
if time_step > 0: tf.get_variable_scope().reuse_variables()
# cell_output: [batch_size,hidden_size]
(cell_output, state) = cell(inputs[:,time_step,: