深度学习5 RNN与LSTM

Posted 2022-11-24 狂奔的CD

文章目录

• 前言
• 正文
• • RNN 循环神经网络
  • • 模型结构
    • RNN的局限性
  • LSTM 长短期记忆网络
  • • 模型结构
    • LSTM的思想
    • • 遗忘门、记忆门和输出门

前言

正文

参考：https://blog.csdn.net/shakehands2012/article/details/109241628

RNN 循环神经网络

模型结构

全称： Recurrent Neural Networks
是一种特殊的神经网路结构，其本身是包含循环的网络，允许信息在神经元之间传递，如下图所示：

Xt 作为输入层，经过A神经网络层，输出ht, 同时将信号传给下一层的自己，换种表达方式

相当于RNN在时间序列上把自己复制了很多遍，每个模型都对应一个时刻的输入，并且当前时刻的输出还作为下一时刻的模型的输入信号。

细化结构如下：

RNN的局限性

RNN利用了神经网络的“内部循环”来保留时间序列的上下文信息，可以使用过去的信号数据来推测对当前信号的理解，这是非常重要的进步，并且理论上RNN可以保留过去任意时刻的信息。

但在实际使用时，信息的传递往往会因为时间间隔太长而逐渐衰减，传递一段时刻以后其信息的作用效果就大大降低了。因此，普通RNN对于信息的长期依赖问题没有很好的处理办法。

为了克服这个问题，Hochreiter等人在1997年改进了RNN，提出了一种特殊的RNN模型——LSTM网络，可以学习长期依赖信息，在后面的20多年被改良和得到了广泛的应用，并且取得了极大的成功。

LSTM 长短期记忆网络

全称：Long Short Term Memory

模型结构

为了优化RNN的问题，将原来的一个神经网络层，优化为4个

黄色方块：表示一个神经网络层（Neural Network Layer）；
粉色圆圈：表示按位操作或逐点操作（pointwise operation），例如向量加和、向量乘积等；
单箭头：表示信号传递（向量传递）；
合流箭头：表示两个信号的连接（向量拼接）；
分流箭头：表示信号被复制后传递到2个不同的地方。

LSTM的思想

LSTM的关键是细胞状态（直译：cell state），表示为 Ct ，用来保存当前LSTM的状态信息并传递到下一时刻的LSTM中，也就是RNN中那根“自循环”的箭头。当前的LSTM接收来自上一个时刻的细胞状态 Ct-1 ，并与当前LSTM接收的信号输入 xt 共同作用产生当前LSTM的细胞状态 Ct

其中
代表sigmoid神经网络层，其函数曲线如下

神经网络层可以将输入信号转换为 0 到 1 之间的数值，用来描述有多少量的输入信号可以通过。 0 表示“不允许任何量通过”， 1表示“允许所有量通过”。

遗忘门、记忆门和输出门

LSTM主要包括三个不同的门结构：遗忘门、记忆门和输出门。这三个门用来控制LSTM的信息保留和传递，最终反映到细胞状态 和输出信号。

1） 遗忘门 forget gate

遗忘门的作用就是用来“忘记”信息的。在LSTM的使用过程中，有一些信息不是必要的，因此遗忘门的作用就是用来选择这些信息并“忘记”它们。遗忘门决定了细胞状态 Ct-1中的哪些信息将被遗忘

2. 记忆门
   
   记忆门中有两个神经网络层。

其中，Sigmoid神经网络层的作用很明显，跟遗忘门一样，它接收 ht-1 和 xt 作为输入，然后输出一个 0 到 1 之间的数值 it 来决定哪些信息需要被更新；

Tanh神经网络层的作用是将输入的 ht-1 和 xt 整合，然后通过一个tanh神经网络层来创建一个新的状态候选向量 Ct~ ， Ct~ 的值范围在 -1 到 1之间

3. 更新细胞状态
   
   4）输出门
   
   文中还提到其他变体，这里先不研究