©2020-2024 ioDraw All rights reserved
<>LSTM 长短期记忆循环神经网络
<>1.LSTM 定义
LSTM 全称是Long Short Term Memory (长短期记忆)，是RNN的一种。
基本一般情况下使用RNN都是使用LSTM，最基础的RNN存在一些问题，LSTM的效果更好。
最基础版本的RNN每一时刻的隐藏层不仅由该时刻的输入决定，还有上一时刻的隐藏层的值。如果一个句子很长的时候，到句子末尾的时候，将会记不住句子开头的内容，发生梯度消失和爆炸的问题。而LSTM通过它的“门控装置”有效的缓解了这个问题。
LSTM和普通的RNN不一样，可以将这两者看成一个是贵族，一个是乞丐。RNN什么信息他都要存下来，没有选择的能力。而LSTM会有选择性的存储信息，因为他能力强，有门控装置，可以尽情的选择。
<>2.长短时记忆网络的思路
原始 RNN 的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。
再增加一个状态，即c，让它来保存长期的状态，称为单元状态(cell state)。
把上图按照时间维度展开：
在 t 时刻，LSTM 的输入有三个：当前时刻网络的输入值 x_t、上一时刻 LSTM 的输出值 h_t-1、以及上一时刻的单元状态 c_t-1；
LSTM 的输出有两个：当前时刻 LSTM 输出值 h_t、和当前时刻的单元状态 c_t.
<>3.如何控制长期状态c
方法是：使用三个控制开关
第一个开关，负责控制继续保存长期状态c；
第二个开关，负责控制把即时状态输入到长期状态c；
第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。
<>4.如何实现这三个开关
方法：用 门（gate）
定义：gate 实际上就是一层全连接层，输入是一个向量，输出是一个 0到1 之间的实数向量。
公式为：
回忆一下它的样子：
具体实现：用门的输出向量按元素乘以我们需要控制的那个向量
原理：门的输出是 0 到 1 之间的实数向量，
当门输出为 0 时，任何向量与之相乘都会得到 0 向量，这就相当于什么都不能通过；
当门输出为 1 时，任何向量与之相乘都不会有任何改变，这就相当于什么都可以通过。
<>5.LSTM的工作
<>5.1 遗忘门（forget gate）
它决定了上一时刻的单元状态 c_t-1 有多少保留到当前时刻 c_t
<>5.2 输入门（input gate）
它决定了当前时刻网络的输入 x_t 有多少保存到单元状态 c_t
<>5.3 输出门（output gate）
控制单元状态 c_t 有多少输出到 LSTM 的当前输出值 h_t
<>5.4 遗忘门的计算
遗忘门的计算公式中：
W_f 是遗忘门的权重矩阵，[h_t-1, x_t] 表示把两个向量连接成一个更长的向量，b_f 是遗忘门的偏置项，σ 是 sigmoid 函数。
<>5.5 输入门的计算
input
根据上一次的输出和本次输入来计算当前输入的单元状态：
当前输入的单元状态c_t
当前时刻的单元状态 c_t 的计算：
由上一次的单元状态 c_t-1 按元素乘以遗忘门 f_t，再用当前输入的单元状态 c_t 按元素乘以输入门 i_t，再将两个积加和。
这样，就可以把当前的记忆 c_t 和长期的记忆 c_t-1 组合在一起，形成了新的单元状态 c_t。
由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆。
当前时刻的单元状态c_t
<>5.6 输出门的计算
output
<>6. 总结
LSTM里常用的激活函数有两个，一个是tanh，一个是sigmoid。
其中 i是input gate的缩写，f是forget的缩写，o是output的缩写。
其中Z是最为普通的输入，可以从上图中看到，Z 是通过该时刻的输入 X_t和上一时刻存在memory cell里的隐藏层信息 h_t-1
向量拼接，再与权重参数向量W点积，得到的值经过激活函数tanh最终会得到一个数值，也就是 Z，注意只有 Z的激活函数是tanh，因为 Z
是真正作为输入的，其他三个都是门控装置。
再来看 Z_i ，也就是输入门的门控装置， Z_i同样也是通过该时刻的输入X_t和上一时刻隐藏状态，也就是上一时刻存下来的信息 h_t-1
向量拼接，在与权重参数向量W_i
点积（注意每个门的权重向量都不一样，这里的下标i代表input的意思，也就是输入门)。得到的值经过激活函数sigmoid的最终会得到一个0-1之间的一个数值，用来作为输入门的控制信号。
经过这个sigmod激活函数后，得到的Z_i，Z_f，Z_o ，都是在0到1之间的数值，1表示该门完全打开，0表示该门完全关闭。