LSTM内部实现原理详解

Posted 2022-05-26 走召大爷

最近看到一个巨牛的人工智能教程，分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。平时碎片时间可以当小说看，【点这里可以去膜拜一下大神的“小说”】。

文章转自《https://blog.csdn.net/shenxiaoming77/article/details/79390595》

LSTM不经常用，所以每次看完原理后不久就会忘记，今天从【LSTM 实际神经元隐含层物理架构原理解析】 看到一篇对LSTM的详解，觉得写得挺好的，于是转载过来，文章排版格式上略作修改。

一些基于LSTM网络的NLP案例代码，涉及到一些input_size，num_hidden等变量的时候，可能容易搞混，首先是参照了知乎上的一个有关LSTM网络的回答https://www.zhihu.com/question/41949741， 以及github上对于LSTM比较清晰的推导公式http://arunmallya.github.io/writeups/nn/lstm/index.html#/3， 对于lstm cell中各个门处理，以及隐含层的实际物理实现有了更深刻的认识，前期一些理解上还模糊的点 也在不断的分析中逐渐清晰。

首先给出LSTM网络的三种不同的架构图：

其中前两种是网上最常见的，图二相对图一，进一步解释了cell内各个门的作用。

在实际的神经网络中，各个门处理函数 其实是由一定数量的隐含层神经元来处理。

在RNN中，M个神经元组成的隐含层，实际的功能应该是f(wx + b).

这里实现了两步：

1. 首先M个隐含层神经元与输入向量X之间全连接，通过w参数矩阵对x向量进行加权求和，其实就是对x向量各个维度上进行筛选，加上bias偏置矩阵。
2. 通过f激励函数， 得到隐含层的输出。

而在LSTM Cell中，一个cell包含了若干个门处理函数，假如每个门的物理实现，我们都可以看做是由num_hidden个神经元来实现该门函数功能， 那么每个门各自都包含了相应的w参数矩阵以及bias偏置矩阵参数，就是在图3物理架构图中的实现。

从图3中可以看出，cell单元里有四个门，每个门都对应128个隐含层神经元，相当于四个隐含层，每个隐含层各自与输入x全连接，而输入x向量是由两部分组成，一部分是上一时刻cell 输出，大小为128， 还有部分就是当前样本向量的输入，大小为6，因此通过该cell内部计算后，最终得到当前时刻的输出，大小为128，即num_hidden，作为下一时刻cell的一部分输入。

比如在NLP场景下，当一个词向量维度为M时， 可以认为当前x维度为M，如果num_hidden = N, 那么与x全连接的某个隐含层神经元的w矩阵大小为 M * N， bias的维度为N， 所以平时我们在初始化lstm cell的时候，样本输入的embedding_size 与 num_hidden之间没有直接关联，而是会决定每个门的w矩阵维度， 而且之前的一片BasicLSTMCell源码分析中，我们提到了BasicLSTMCell 是直接要求embedding_size 与num_hidden 是相等的，这也大大简化了多个w矩阵的计算，这也说明了BasicLSTMCell是最简单和最常用的一种lstm cell