美文网首页
LSTM门之核心原理

LSTM门之核心原理

作者: 金字塔的AI | 来源:发表于2021-02-20 11:51 被阅读0次
LSTM

长短时记忆网络(Long Short Term Memory Network, LSTM),是一种改进之后的循环神经网络,可以解决RNN无法处理长距离的依赖的问题,目前比较流行。

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)。

长期状态保持

把上图按照时间维度展开:

时间维度上的状态传递

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.

关键问题是:怎样控制长期状态 c ?

方法是:使用三个控制开关

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。如何在算法中实现这三个开关?

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:

gate 如何进行控制?

方法: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;

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。

LSTM 的前向计算:

一共有 6 个公式

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

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

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

遗忘门的计算为:

遗忘门

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。

输入门的计算:

输入门

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:

当前的输入状态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

输出门的计算:

输出门

LSTM 的反向传播训练算法

主要有三步:

1. 前向计算每个神经元的输出值,一共有 5 个变量,计算方法就是前一部分:

2. 反向计算每个神经元的误差项值。与 RNN 一样,LSTM 误差项的反向传播也是包括两个方向:

一个是沿时间的反向传播,即从当前 t 时刻开始,计算每个时刻的误差项;

一个是将误差项向上一层传播。

3. 根据相应的误差项,计算每个权重的梯度。LSTM 的反向传播训练算法

主要有三步:

1. 前向计算每个神经元的输出值,一共有 5 个变量,计算方法就是前一部分:

2. 反向计算每个神经元的误差项值。与 RNN 一样,LSTM 误差项的反向传播也是包括两个方向:

一个是沿时间的反向传播,即从当前 t 时刻开始,计算每个时刻的误差项;

一个是将误差项向上一层传播。

3. 根据相应的误差项,计算每个权重的梯度。

gate 的激活函数定义为 sigmoid 函数,输出的激活函数为 tanh 函数,导数分别为:

具体推导公式为:

具体推导公式为:

目标是要学习 8 组参数,如下图所示:

又权重矩阵 W 都是由两个矩阵拼接而成,这两部分在反向传播中使用不同的公式,因此在后续的推导中,权重矩阵也要被写为分开的两个矩阵。

接着就来求两个方向的误差,和一个梯度计算。

1. 误差项沿时间的反向传递:

定义 t 时刻的误差项:

目的是要计算出 t-1 时刻的误差项:

利用 h_t c_t 的定义,和全导数公式,可以得到 将误差项向前传递到任意k时刻的公式:

2. 将误差项传递到上一层的公式:

3. 权重梯度的计算:

以上就是 LSTM 的训练算法的全部公式。

完整代码请参考GitHub: https://github.com/hanbt/learn_dl/blob/master/lstm.py (python2.7)

这个公式推导过程在本文的学习资料中有比较详细的介绍,大家可以去看原文:

https://zybuluo.com/hanbingtao/note/581764

有问题的小伙伴可以邮箱联系:KevionXi@gmail.com

相关文章

网友评论

      本文标题:LSTM门之核心原理

      本文链接:https://www.haomeiwen.com/subject/aoqtfltx.html