電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>PyTorch教程之長(zhǎng)短期記憶(LSTM)

PyTorch教程之長(zhǎng)短期記憶(LSTM)

2513784 2023-06-05 | pdf | 0.59 MB | 次下載 | 免費(fèi)

資料介紹

在使用反向傳播（Elman，1990）訓(xùn)練第一個(gè) Elman 式 RNN 后不久，學(xué)習(xí)長(zhǎng)期依賴(lài)性（由于梯度消失和爆炸）的問(wèn)題變得突出，Bengio 和 Hochreiter 討論了這個(gè)問(wèn)題（Bengio等人， 1994 年，Hochreiter等人，2001 年）. Hochreiter 早在他 1991 年的碩士論文中就闡明了這個(gè)問(wèn)題，盡管結(jié)果并不廣為人知，因?yàn)檎撐氖怯玫抡Z(yǔ)寫(xiě)的。雖然梯度裁剪有助于梯度爆炸，但處理消失的梯度似乎需要更精細(xì)的解決方案。Hochreiter 和 Schmidhuber ( 1997 )提出的長(zhǎng)短期記憶 (LSTM) 模型是解決梯度消失問(wèn)題的第一個(gè)也是最成功的技術(shù)之一。LSTM 類(lèi)似于標(biāo)準(zhǔn)的遞歸神經(jīng)網(wǎng)絡(luò)，但這里每個(gè)普通的遞歸節(jié)點(diǎn)都被一個(gè)記憶單元取代。每個(gè)存儲(chǔ)單元包含一個(gè)內(nèi)部狀態(tài)，即具有固定權(quán)重 1 的自連接循環(huán)邊的節(jié)點(diǎn)，確保梯度可以跨越多個(gè)時(shí)間步而不會(huì)消失或爆炸。

“長(zhǎng)短期記憶”一詞來(lái)自以下直覺(jué)。簡(jiǎn)單的遞歸神經(jīng)網(wǎng)絡(luò)具有權(quán)重形式的長(zhǎng)期記憶。權(quán)重在訓(xùn)練過(guò)程中緩慢變化，對(duì)數(shù)據(jù)的一般知識(shí)進(jìn)行編碼。它們還具有短暫激活形式的短期記憶，從每個(gè)節(jié)點(diǎn)傳遞到連續(xù)的節(jié)點(diǎn)。LSTM 模型通過(guò)記憶單元引入了一種中間類(lèi)型的存儲(chǔ)。存儲(chǔ)單元是一個(gè)復(fù)合單元，由具有特定連接模式的較簡(jiǎn)單節(jié)點(diǎn)構(gòu)成，并包含新的乘法節(jié)點(diǎn)。

						import torch
from torch import nn
from d2l import torch as d2l

						 

						from mxnet import np, npx
from mxnet.gluon import rnn
from d2l import mxnet as d2l

npx.set_np()

						import jax
from flax import linen as nn
from jax import numpy as jnp
from d2l import jax as d2l

						 

						import tensorflow as tf
from d2l import tensorflow as d2l

10.1.1。門(mén)控存儲(chǔ)單元

每個(gè)存儲(chǔ)單元都配備了一個(gè)內(nèi)部狀態(tài)和多個(gè)乘法門(mén)，用于確定 (i) 給定的輸入是否應(yīng)該影響內(nèi)部狀態(tài)（輸入門(mén)），(ii) 內(nèi)部狀態(tài)是否應(yīng)該被刷新到0（遺忘門(mén)），以及 (iii) 應(yīng)該允許給定神經(jīng)元的內(nèi)部狀態(tài)影響細(xì)胞的輸出（輸出門(mén)）。

10.1.1.1。門(mén)控隱藏狀態(tài)

普通 RNN 和 LSTM 之間的主要區(qū)別在于后者支持隱藏狀態(tài)的門(mén)控。這意味著我們有專(zhuān)門(mén)的機(jī)制來(lái)確定何時(shí)應(yīng)該更新隱藏狀態(tài)以及何時(shí)應(yīng)該重置它。這些機(jī)制是學(xué)習(xí)的，它們解決了上面列出的問(wèn)題。例如，如果第一個(gè)標(biāo)記非常重要，我們將學(xué)習(xí)在第一次觀察后不更新隱藏狀態(tài)。同樣，我們將學(xué)會(huì)跳過(guò)不相關(guān)的臨時(shí)觀察。最后，我們將學(xué)習(xí)在需要時(shí)重置潛在狀態(tài)。我們將在下面詳細(xì)討論。

10.1.1.2。輸入門(mén)、遺忘門(mén)和輸出門(mén)

進(jìn)入 LSTM 門(mén)的數(shù)據(jù)是當(dāng)前時(shí)間步的輸入和前一時(shí)間步的隱藏狀態(tài)，如圖 10.1.1所示。三個(gè)具有 sigmoid 激活函數(shù)的全連接層計(jì)算輸入門(mén)、遺忘門(mén)和輸出門(mén)的值。作為 sigmoid 激活的結(jié)果，三個(gè)門(mén)的所有值都在范圍內(nèi)(0,1). 此外，我們需要一個(gè) 輸入節(jié)點(diǎn)，通常使用tanh激活函數(shù)計(jì)算。直觀上，輸入門(mén)決定了輸入節(jié)點(diǎn)的多少值應(yīng)該添加到當(dāng)前存儲(chǔ)單元的內(nèi)部狀態(tài)。遺忘 門(mén)決定是保留內(nèi)存的當(dāng)前值還是刷新內(nèi)存。而輸出門(mén)決定了記憶單元是否應(yīng)該影響當(dāng)前時(shí)間步的輸出。

https://file.elecfans.com/web2/M00/AA/42/pYYBAGR9NtSAf5ABAAHthNZ6P7E558.svg

圖 10.1.1計(jì)算 LSTM 模型中的輸入門(mén)、遺忘門(mén)和輸出門(mén)。

在數(shù)學(xué)上，假設(shè)有h隱藏單元，批量大小為n，輸入的數(shù)量是d. 因此，輸入是Xt∈Rn×d上一個(gè)時(shí)間步的隱藏狀態(tài)是 Ht?1∈Rn×h. 相應(yīng)地，時(shí)間步長(zhǎng)的門(mén)t定義如下：輸入門(mén)是It∈Rn×h, 遺忘門(mén)是 Ft∈Rn×h，輸出門(mén)是 Ot∈Rn×h. 它們的計(jì)算方式如下：