長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)很難訓(xùn)練的原因?qū)е滤膶?shí)際應(yīng)用中很處理長(zhǎng)距離的依賴(lài)。本文將介紹改進(jìn)后的循環(huán)神經(jīng)網(wǎng)絡(luò)：長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short Term Memory Network, LSTM)，

原始RNN的隱藏層只有一個(gè)狀態(tài)，即h，它對(duì)于短期的輸入非常敏感。那么如果我們?cè)僭黾右粋€(gè)狀態(tài)，即c，讓它來(lái)保存長(zhǎng)期的狀態(tài)，這就是長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)。

新增加的狀態(tài)c，稱(chēng)為單元狀態(tài)。我們把上圖按照時(shí)間維度展開(kāi)：

可以看到在 t 時(shí)刻，LSTM的輸入有三個(gè)：當(dāng)前時(shí)刻網(wǎng)絡(luò)的輸出值 x_t 、上一時(shí)刻LSTM的輸出值 h_t?1、以及上一時(shí)刻的單元狀態(tài) c_t?1；LSTM的輸出有兩個(gè)：當(dāng)前時(shí)刻LSTM輸出值 h_t 、和當(dāng)前時(shí)刻的單元狀態(tài) x_t 。注意 x、h、c 都是向量。

LSTM的關(guān)鍵，就是怎樣控制長(zhǎng)期狀態(tài)c。在這里，LSTM的思路是使用三個(gè)控制開(kāi)關(guān)。第一個(gè)開(kāi)關(guān)，負(fù)責(zé)控制繼續(xù)保存長(zhǎng)期狀態(tài)c；第二個(gè)開(kāi)關(guān)，負(fù)責(zé)控制把即時(shí)狀態(tài)輸入到長(zhǎng)期狀態(tài)c；第三個(gè)開(kāi)關(guān)，負(fù)責(zé)控制是否把長(zhǎng)期狀態(tài)c作為當(dāng)前的LSTM的輸出。三個(gè)開(kāi)關(guān)的作用如下圖所示：

接下來(lái)我們要描述一下，輸出h和單元狀態(tài)c的具體計(jì)算方法。

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的前向計(jì)算

我們引入“門(mén)(gate)”的概念。門(mén)實(shí)際上就是一層全連接層，它的輸入是一個(gè)向量，輸出是一個(gè)0到1之間的實(shí)數(shù)向量。假設(shè)W是門(mén)的權(quán)重向量，b是偏置項(xiàng)，那么門(mén)可以表示為：

門(mén)的輸出是0到1之間的實(shí)數(shù)向量，用門(mén)向量的輸出向量按元素乘以我們需要控制的那個(gè)向量，當(dāng)門(mén)輸出為0時(shí)，任何向量與之相乘都會(huì)得到0向量，這就相當(dāng)于啥都不能通過(guò)；輸出為1時(shí)，任何向量與之相乘都不會(huì)有任何改變，這就相當(dāng)于啥都可以通過(guò)。因?yàn)棣遥ㄒ簿褪莝igmoid函數(shù)）的值域是(0,1)，所以門(mén)的狀態(tài)都是半開(kāi)半閉的。

LSTM用兩個(gè)門(mén)來(lái)控制單元狀態(tài) c 的內(nèi)容，一個(gè)是遺忘門(mén)，它決定了上一時(shí)刻的單元狀態(tài) _t?1 有多少保留到當(dāng)前時(shí)刻 c_t ；另外一個(gè)是輸出門(mén)，他決定了當(dāng)前時(shí)刻網(wǎng)絡(luò)的輸入 x_t 有多少保存到單元狀態(tài) c_t 。LSTM用輸出門(mén)來(lái)控制單元狀態(tài) c_t 有多少輸出到LSTM的當(dāng)前輸出值 h_t 。LSTM用輸出門(mén)來(lái)控制單元狀態(tài) c_t 有多少輸出到LSTM的當(dāng)前輸出值ht。

遺忘門(mén)的表達(dá)式是：

上式中，W_f 是遺忘門(mén)的權(quán)重矩陣，h_t?1 , x_t 表示把兩個(gè)向量連接成一個(gè)更長(zhǎng)的向量，b_f 是遺忘門(mén)的偏置項(xiàng)，σ是sigmoid函數(shù)。如果輸入的維度是d_x，隱藏層的維度是 d_h，單元狀態(tài)的維度是 d_c( d_c = d_h )，則遺忘門(mén)的權(quán)重矩陣 W_f維度是 d_cx(d_h + d_x ) 。事實(shí)上，權(quán)重矩陣 W_f 都是兩個(gè)矩陣拼接而成的：一個(gè)是Wfh，它對(duì)應(yīng)著輸入項(xiàng) h_t?1 ，其維度為 d_cxd_h；一個(gè)是W_fx，它對(duì)應(yīng)著輸入項(xiàng) x_t ，其維度為dcxdx。W_f 可以寫(xiě)為：

下圖顯示了遺忘門(mén)的計(jì)算：

接下來(lái)看看輸入門(mén)：

上式中，W_i 是輸入門(mén)的權(quán)重矩陣，$b_i$是輸入門(mén)的偏置項(xiàng)。下圖表示了輸入門(mén)的計(jì)算：

接下來(lái)，我們計(jì)算用于描述當(dāng)前輸入的單元狀態(tài)，它是根據(jù)上一次的輸出和本次輸入來(lái)計(jì)算的：

下圖是的計(jì)算：

現(xiàn)在，我們計(jì)算當(dāng)前時(shí)刻的單元狀態(tài) c_t。它是由上一次的單元狀態(tài) c_t?1 按元素乘以遺忘門(mén) f_t ，再用當(dāng)前輸入的單元狀態(tài)按元素乘以輸入門(mén) i_t ，再將兩個(gè)積加和產(chǎn)生的：

符號(hào)O表示按元素乘。下圖是 c_t 的計(jì)算：

這樣，我們就把LSTM關(guān)于當(dāng)前的記憶和長(zhǎng)期的記憶 c_t?1 組合在一起，形成了新的單元狀態(tài) c_t 。由于遺忘門(mén)的控制，它可以保存很久很久之前的信息，由于輸入門(mén)的控制，它又可以避免當(dāng)前無(wú)關(guān)緊要的內(nèi)容進(jìn)入記憶。下面，我們要看看輸出門(mén)，它控制了長(zhǎng)期記憶對(duì)當(dāng)前輸出的影響：

下面表示輸出門(mén)的計(jì)算：

LSTM最終的輸出，是由輸出門(mén)和單元狀態(tài)共同確定的：

下圖表示LSTM最終輸出的計(jì)算：

式1到式6就是LSTM前向計(jì)算的全部公式。至此，我們就把LSTM前向計(jì)算講完了。

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的訓(xùn)練

LSTM訓(xùn)練算法框架

LSTM的訓(xùn)練算法仍然是反向傳播算法，對(duì)于這個(gè)算法，我們已經(jīng)非常熟悉了。主要有下面三個(gè)步驟：

1、前向計(jì)算每個(gè)神經(jīng)元的輸出值，對(duì)于LSTM來(lái)說(shuō)，即 f_t、i_t、c_t、o_t、h_t 五個(gè)向量的值。計(jì)算方法已經(jīng)在上一節(jié)中描述過(guò)了。

2、反向計(jì)算每個(gè)神經(jīng)元的誤差項(xiàng)δ值。與循環(huán)神經(jīng)網(wǎng)絡(luò)一樣，LSTM誤差項(xiàng)的反向傳播也是包括兩個(gè)方向：一個(gè)是沿時(shí)間的反向傳播，即從當(dāng)前t時(shí)刻開(kāi)始，計(jì)算每個(gè)時(shí)刻的誤差項(xiàng)；一個(gè)是將誤差項(xiàng)向上一層傳播。

3、根據(jù)相應(yīng)的誤差項(xiàng)，計(jì)算每個(gè)權(quán)重的梯度。

作者：凌逆戰(zhàn)
來(lái)源：博客園
原文鏈接：https://www.cnblogs.com/LXP-Never/p/10398531.html

歡迎任何形式的轉(zhuǎn)載，但請(qǐng)務(wù)必注明出處。
限于本人水平，如果文章和代碼有表述不當(dāng)之處，還請(qǐng)不吝賜教。
本文章不做任何商業(yè)用途，僅作為自學(xué)所用，文章后面會(huì)有參考鏈接，我可能會(huì)復(fù)制原作者的話，如果介意，我會(huì)修改或者刪除。