LSTM解析

约定不等于承诺〃 2022-06-02 04:00 366阅读 0赞

**LSTM 学习笔记**  
Long Short-Term Memory（LSTM） 是一种循环神经网络（Recurrent Neural Network, RNN）  
Sepp Hochreiter和Jürgen Schmidhuber早在1997年就在[论文][Link 1]“Long Short-Term Memory”提出了LSTM。

LSTM 的关键就是细胞状态，水平线在图上方贯穿运行。  
LSTM 通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力。门是一种让信息选择式通过的方法。他们包含一个 sigmoid 神经网络层和一个 pointwise 乘法操作。

1.  完美概述LSTM的到来：[进化史博客][Link 2]  
    （1） rnn结构的BPTT学习算法存在的问题  
    （2） 增加forget gate  
    （3）Gers & Schmidhuber (2000) 提出的，增加Peephole的LSTM结构：我们让 门层 也会接受细胞状态的输入，另一个改动较大的变体是 Gated Recurrent Unit (GRU)，这是由 Cho, et al. (2014) 提出。它将忘记门和输入门合成了一个单一的 更新门。同样还混合了细胞状态和隐藏状态，和其他一些改动。最终的模型比标准的 LSTM 模型要简单，也是非常流行的变体。
2.  LSTM模型理论总结（产生、发展和性能等）  
    讲得很好，完美的解释了原文如何提出CEC（constant error carrousel）[博客][Link 3]
    
    但是这篇文章没有怎么解释原始论文为何在CEC基础上添加了inputgate和outputgate,因为存在输入输出处权值更新（原文作者的原话，本段末尾后面进行一些解释）的冲突，所以加上了两道控制门，分别是input gate, output gate，来解决这个矛盾,CEC实在是太 naive 了，它其实就是个线性的模型，学习能力太弱，大意就是对于神经元的权重w ，不同的数据x所带来的更新是不同的，这样可能会引起冲突（比如有些输入想让权重变小，有些想让它变大）。网络可能需要选择性地“忘记”某些输入，以及“屏蔽”某些输出以免影响下一层的权重更新。为了解决这些问题就提出了“门”。  
    CEC+输入+输出门也就是原始的LSTM  
    ![vEIRbH9.png][]  
    图中，3表示输入门（input gate）；6表示输出门（output gate）；4是CEC单元，可以看到它有一条到自己的权值为1的边。（这大概就是最初的 LSTM 了。  
    总结一下就是，LSTM把原本RNN的单元改造成一个叫做CEC的部件，这个部件保证了误差将以常数的形式在网络中流动 ，并在此基础上添加输入门和输出门使得模型变成非线性的，并可以调整不同时序的输出对模型后续动作的影响。
3.  从公式的角度逆向解析CEC反向传播可以保证梯度误差可以常数传递[知乎文章][Link 4]  
    也解释的遗忘门的作用，也就是替代原先隐含层到隐含层的权重。遗忘门f，这个在最初的lstm中是没有的，就像第一张图那样；后来加上了遗忘门就可以更好的协调输入+历史隐层 和 历史记忆单元中的信息分配。从直观上看也就是计算sc(t)时sc(t-1)的系数由原本的1变成了遗忘门，取值区间\[0，1\]（离散）。
4.  LSTM为什么可以解决长期依赖（Long-Term Dependencies）问题  
    LSTM把原本RNN的单元改造成一个叫做CEC的部件，这个部件保证了误差将以常数的形式在网络中流动 ，并在此基础上添加输入门和输出门使得模型变成非线性的，并可以调整不同时序的输出对模型后续动作的影响。  
    ![zOfXQay.png][]  
    LSTM 的关键就是细胞状态，水平线在图上方贯穿运行（保证了Long term memory）；LSTM 有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力，通过一系列non-linear 操作, 负责short term memory

[Link 1]: http://deeplearning.cs.cmu.edu/pdfs/Hochreiter97_lstm.pdf
[Link 2]: http://blog.csdn.net/a635661820/article/details/45390671
[Link 3]: http://blog.csdn.net/shincling/article/details/49362161#0-tsina-1-98891-397232819ff9a47a7b7e80a40613cfe1
[vEIRbH9.png]: https://i.imgur.com/vEIRbH9.png
[Link 4]: https://www.zhihu.com/question/44895610
[zOfXQay.png]: https://i.imgur.com/zOfXQay.png