人人都能看懂的 LSTM
這是在看了臺大李宏毅教授的深度學(xué)習(xí)視頻之后的一點總結(jié)和感想。看完介紹的第一部分RNN尤其LSTM的介紹之后，整個人醍醐灌頂。本篇博客就是對視頻的一些記錄加上了一些個人的思考。
???0. 從RNN說起
循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。相比一般的神經(jīng)網(wǎng)絡(luò)來說，他能夠處理序列變化的數(shù)據(jù)。比如某個單詞的意思會因為上文提到的內(nèi)容不同而有不同的含義，RNN就能夠很好地解決這類問題。
???1. 普通RNN
先簡單介紹一下一般的RNN。
其主要形式如下圖所示（圖片均來自臺大李宏毅教授的PPT）：
這里：
?為當前狀態(tài)下數(shù)據(jù)的輸入，?
?表示接收到的上一個節(jié)點的輸入。
?為當前節(jié)點狀態(tài)下的輸出，而?
?為傳遞到下一個節(jié)點的輸出。
通過上圖的公式可以看到，輸出?h'?與?x?和?h?的值都相關(guān)。
而?y?則常常使用?h'?投入到一個線性層（主要是進行維度映射）然后使用softmax進行分類得到需要的數(shù)據(jù)。
對這里的y如何通過?h'?計算得到往往看具體模型的使用方式。
通過序列形式的輸入，我們能夠得到如下形式的RNN。
???2. LSTM
2.1 什么是LSTM
長短期記憶（Long short-term memory, LSTM）是一種特殊的RNN，主要是為了解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題。簡單來說，就是相比普通的RNN，LSTM能夠在更長的序列中有更好的表現(xiàn)。
LSTM結(jié)構(gòu)（圖右）和普通RNN的主要輸入輸出區(qū)別如下所示。
相比RNN只有一個傳遞狀態(tài)?
?，LSTM有兩個傳輸狀態(tài)，一個?
?（cell state），和一個?（hidden state）。（Tips：RNN中的??對于LSTM中的??）
其中對于傳遞下去的??改變得很慢，通常輸出的??是上一個狀態(tài)傳過來的?
?加上一些數(shù)值。
而??則在不同節(jié)點下往往會有很大的區(qū)別。
2.2 深入LSTM結(jié)構(gòu)
?和上一個狀態(tài)傳遞下來的?
?拼接訓(xùn)練得到四個狀態(tài)。
?，?
?，
?是由拼接向量乘以權(quán)重矩陣之后，再通過一個?
?激活函數(shù)轉(zhuǎn)換成0到1之間的數(shù)值，來作為一種門控狀態(tài)。而?
?則是將結(jié)果通過一個?
?激活函數(shù)將轉(zhuǎn)換成-1到1之間的值（這里使用??是因為這里是將其做為輸入數(shù)據(jù)，而不是門控信號）。
?是Hadamard Product，也就是操作矩陣中對應(yīng)的元素相乘，因此要求兩個相乘矩陣是同型的。?
?則代表進行矩陣加法。?（f表示forget）來作為忘記門控，來控制上一個狀態(tài)的??哪些需要留哪些需要忘。?進行選擇記憶。哪些重要則著重記錄下來，哪些不重要，則少記一些。當前的輸入內(nèi)容由前面計算得到的??表示。而選擇的門控信號則是由??（i代表information）來進行控制。將上面兩步得到的結(jié)果相加，即可得到傳輸給下一個狀態(tài)的?
3. 輸出階段。這個階段將決定哪些將會被當成當前狀態(tài)的輸出。主要是通過??來進行控制的。并且還對上一階段得到的?
?進行了放縮（通過一個tanh激活函數(shù)進行變化）。
與普通RNN類似，輸出?
?往往最終也是通過??變化得到。
???3. 總結(jié)
以上，就是LSTM的內(nèi)部結(jié)構(gòu)。通過門控狀態(tài)來控制傳輸狀態(tài)，記住需要長時間記憶的，忘記不重要的信息；而不像普通的RNN那樣只能夠“呆萌”地僅有一種記憶疊加方式。對很多需要“長期記憶”的任務(wù)來說，尤其好用。
但也因為引入了很多內(nèi)容，導(dǎo)致參數(shù)變多，也使得訓(xùn)練難度加大了很多。因此很多時候我們往往會使用效果和LSTM相當?shù)珔?shù)更少的GRU來構(gòu)建大訓(xùn)練量的模型。
轉(zhuǎn)自：AI有道