LSTM 与GRU

LSTM

lstm简介

RNN把上一个状态传递到下一个状态，但是不能处理长依赖的问题，RNN的结构如下所示：

LSTM也有这种链式结构，但循环单元有着一种不同的结构。里面不再是只有单一的神经网络层，里面有四个，并且他们都以非常简单的方式起作用。

 

 

现在先不用担心内部的细节。我们稍后会一步一步来深入讲解LSTM。现在，我们先熟悉我们将要使用的定义：

在上面的图中，每行都有一个箭头，从一个结点的输出到另外的结点的输入。粉色的圆代表结点操作，比如向量相加，而黄色的长方形是学习的神经网络层。 线的合并代表链接，而箭头的分叉代表内容复制后流向不同的位置。

GRU 

GRU的结构如下，相对于LSTM，他们的区别如下：

1. GRU的参数更少，模型更简单，将原来的遗忘门和输入门变成单独的更新门，合并了它也合并了cell state和hidden state，因而训练稍快或需要更少的数据来泛化。
2. 如果足够的数据，LSTM的强大表达能力可能会产生更好的结果。
3. GRU 有两个门（重置门与更新门），而 LSTM 有三个门（输入门、遗忘门和输出门）。
4. GRU 并不会控制并保留内部记忆（c_t），且没有 LSTM 中的输出门。
5. LSTM 中的输入与遗忘门对应于 GRU 的更新门，重置门直接作用于前面的隐藏状态。
6. 在计算输出时并不应用二阶非线性。

 

参考：

https://zhuanlan.zhihu.com/p/34203833

LSTM 通俗理解：https://blog.csdn.net/v_JULY_v/article/details/89894058

GRU ：https://www.jiqizhixin.com/articles/2017-12-24