详解LSTM (Long Short - Term Memory)网络
在LSTM的文章中最出名文章之一就是 Christopher Olah 的博文 感觉这篇博客图画的非常棒,公式也写的很清楚,但是缺失一些感性理解。
自己在看了七月在线寒小阳和练数成金对于LSTM的讲解,对于LSTM有了更深的理解,写一篇博客总结下。
目录
RNN引出LSTM的感性认知
RNN解决了对之前的信息保存的问题。但是存在长期依赖的问题,也就是说,记忆量容量有限,间隔不断增大时,RNN 会丧失学习到连接如此远的信息的能力。这才引出了LSTM
先感性的理解下LSTM和RNN的区别:
- LSTM的‘‘“记忆细胞’’被改造了
- LSTM 改记忆的信息会一直传递,不该记得会被"门"截断
RNN的图示:
RNN的‘记忆细胞’图示:
LSTM的‘记忆细胞’图示:
LSTM原理(理性认知)
第一步:忘记门
决定从“细胞状态”中丢弃什么信息
在我们 LSTM 中的第一步是决定我们会从细胞状态中丢弃什么信息。这个决定通过一个称为忘记门层完成。该门会读取和,输出一个在 0 到 1 之间的数值给每个在细胞状态中的数字。1 表示“完全保留”,0 表示“完全舍弃”。
让我们回到语言模型的例子中来基于已经看到的预测下一个词。在这个问题中,细胞状态可能包含当前主语的性别,因此正确的代词可以被选择出来。当我们看到新的主语,我们希望忘记旧的主语。
是t-1时刻的记忆信息,是t-1时刻的的输出结果,是t时刻神经网络看到的信息,是sigmoid函数,W 和b为参数。
公式感性理解:LSTM以多大程度去忘记之前的信息,取决于上一次输出的结果和现在看到的东西
第二步:输入门
决定什么值我们将要更新
这里包含两个部分。第一,sigmoid 层称 “输入门层” 决定什么值我们将要更新。然后,一个 tanh 层创建一个新的候选值向量,会被加入到状态中。下一步,我们会讲这两个信息来产生对状态的更新。
在我们语言模型的例子中,我们希望增加新的主语的性别到细胞状态中,来替代旧的需要忘记的主语。
是t-1时刻的的输出结果,是t时刻神经网络看到的信息, W和b为参数
为新学习到的东西,并且要加入“记忆细胞”的候选者,:可以选择性的从中选择“记忆细胞”中没有的东西
(这里看不懂没关系,看第三步就明白了)
第三步:更新
- 更新为
- 把旧状态与相乘,丢弃掉我们确定需要丢弃的信息。
- 加上* ,加上我们确定需要增加的信息。
公式感性理解:此时的记忆细胞=以多大程度去忘记之前的信息 * 之前的记忆细胞 + 以多大程度去接受新的信息 * 新学习到的东西
第四步:输出
基于“记忆细胞”得到输出
- 首先,运行一个 sigmoid 层来确定细胞状态的哪个部分将输出出去。
- 把细胞状态通过 tanh 进行处理(得到一个在 -1 到 1 之间的值)并将它和 sigmoid 门的输出相乘,最终我们仅仅会输出我们确定输出的那部分。
在语言模型的例子中,因为他就看到了一个 代词,可能需要输出与一个 动词 相关的信息。例如,可能输出是否代词是单数还是负数,这样如果是动词的话,我们也知道动词需要进行的词形变化。
到这一步有些人会困惑为啥又要设计一个参数 会有什么意义呢?
举个例子,你参加高考时,解一道数列的题目,不需要高中所有的知识。 就是在高中所有的知识中提取数列的知识。