LSTMCell中num_units参数解释

Posted 2022-11-27 琥珀彩

前言
关于LSTM原理： http://colah.github.io/posts/2015-08-Understanding-LSTMs/
关于LSTM原理（译文）：https://blog.csdn.net/Jerr__y/article/details/58598296
关于Tensorflow+LSTM的使用：https://www.knowledgemapper.com/knowmap/knowbook/[e-mail]nsorflow(MNISTdataset)
关于Tensorflow+LSTM的使用（译文）：https://yq.aliyun.com/articles/202939
 

正文
本文只是介绍tensorflow中的BasicLSTMCell中num_units。
在使用Tensorflow跑LSTM的试验中， 有个num_units的参数，这个参数是什么意思呢？

先总结一下，num_units这个参数的大小就是LSTM输出结果的维度。例如num_units=128， 那么LSTM网络最后输出就是一个128维的向量。

我们先换个角度举个例子，最后再用公式来说明。

假设在我们的训练数据中，每一个样本 x 是 28*28 维的一个矩阵，那么将这个样本的每一行当成一个输入，通过28个时间步骤展开LSTM，在每一个LSTM单元，我们输入一行维度为28的向量，如下图所示。

那么，对每一个LSTM单元，参数 num_units=128 的话，就是每一个单元的输出为 128*1 的向量，在展开的网络维度来看，如下图所示，对于每一个输入28维的向量，LSTM单元都把它映射到128维的维度， 在下一个LSTM单元时，LSTM会接收上一个128维的输出，和新的28维的输入，处理之后再映射成一个新的128维的向量输出，就这么一直处理下去，知道网络中最后一个LSTM单元，输出一个128维的向量。

 

 

从LSTM的公式的角度看是什么原理呢？我们先看一下LSTM的结构和公式：

参数 num_units=128 的话，

 

1. 对于公式 (1) ，h=128∗1维， x = 28 ∗ 1 维，[h,x]便等于156 ∗ 1 维，W = 128 ∗ 156维，所以 W ∗ [ h , x ] = 128 ∗ 156 ∗ 156 ∗ 1 = 128 ∗ 1 , b = 128 ∗ 1维, 所以 f = 128 ∗ 1 + 128 ∗ 1 = 128 ∗ 1 维；
2. 对于公式 (2) 和 (3)，同上可分析得 i = 128 ∗ 1维，= 128 ∗ 1维;
3. 对于公式 (4) ，f ( t ) = 128 ∗ 1 , C ( t − 1 ) = 128 ∗ 1 , f ( t ) . ∗ C ( t − 1 ) = 128 ∗ 1. ∗ 128 ∗ 1 = 128 ∗ 1， 同理可得 C ( t ) = 128 ∗ 1 维;
4. 对于公式 (5) 和 (6) ， 同理可得 O = 128 ∗ 1  维， h = O . ∗ t a n h ( C ) = 128 ∗ 1维。

所以最后LSTM单元输出的h就是 128 ∗ 1 128*1128∗1 的向量。

以上就是 num_units 参数的含义。

如有错误请指出谢谢

参考链接：
https://stackoverflow.com/questions/37901047/what-is-num-units-in-tensorflow-basiclstmcell
https://www.zhihu.com/question/64470274

————————————————
版权声明：本文为CSDN博主「notHeadache」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/notHeadache/article/details/81164264