Unstanding LSTM

标签：依赖   实现   思想   入门   上下文   开始   替换   保存   增加   

1.RNNs

　　我们可以把RNNs看成一个普通网络做多次复制后叠加在一起组合起来，每一个网络都会把输出传递到下一个网络中。

　　把RNNs按时间步上展开，就得到了下图；

 　　从RNNs链状结构可以容易理解到他是和序列信息相关的。

2.长时期依赖存在的问题

　　随着相关信息和预测信息的间隔增大，RNNs很难把他们关联起来了。

　　但是，LSTMs能解决这个问题

3. LSTM网络

　　Long Short Term Memory networks(长短期记忆网络）通常叫为LSTMS。LSTMs被设计用于避免前面提到的长时期依赖，他们的本质就是能够记住很长时期的信息。

　　RNNs都是由完全相同的结构复制而成的，在普通的RNNs中，这个模块非常简单，比如仅是单一的tanh层。

 　　LSTMs也有类似的结构，不过重复模块部分不是一个简单的tanh层，而是4个特殊层。

 　　先定义用到的符号：

3.1 LSTMs的核心思想

　　LSTMs最关键地方在于cell，即绿色部分的状态和结构图上横穿的水平线

　　cell状态像是一条传送带，向量从cell上传过，只做了少量的线性运算，信息很容易穿过cell而不做改变(实现了长时期的记忆保留）

　　LSTMs通过门(gates)的结构来实现增加或者删除信息。

　　门可以实现选择性地让信息通过，通过一个sigmod神经层和一个逐点相乘的操作来实现。

 　　sigmod层输出的值为0到1，表示对应信息应该被通过的权重，0表示不让通过，1表示让所有信息通过。

　　每个LSTM由3个门结构，来实现保护和控制cell状态，分别是遗忘门forget gate layer、传入门input gate layer、输出门output gate layer。

3.2逐步理解LSTM

　　3.2.1遗忘门

　　　　LSTM第一步是要决定丢弃哪些信息，这通过一个叫做forget gate layer的sigmod层实现。

 　　一个根据所有上下文信息来预测下一个词的语言模型，每个cell状态都应该保存当前主语的性别(保留信息），接下来才能正确使用代词，当我们又开始描述一个新主语的时候，就用改把上文中的主语性别给忘了才对(忘记信息)

　　3.2.2传入门

　　LSTM下一步是要决定哪些新信息要加入到cell 状态中来。包括两个部分，1.一个叫input gate layer的sigmod层决定哪些值更新。2.一个tanh层创建一个向量，就是备选的用来更新的内容C_t

 　　在我们的语言模型中，我门把新的主语的性别信息加入cell状态中，替换老的状态信息。

　　有了上述结构，就能够更新cell状态了C_t-1 to  C_t

　　3.2.3输出门

　　最后我们要来决定输出什么值，这个输出值是依赖于cell的状态C_t，还要经过一个过滤处理。

　　首先，我门使用一个sigmoid层决定C_t中哪部分信息被输出，然后把C_t通过一个tanh层(把数值都归到-1到1)，把tanh层的输出和sigmoid层计算出来的权重相乘，得到最后的输出结果。

　　在语言模型中，模型刚刚接触了一个代词，接下来可能要输出一个动词，这个输出可能和代词的信息息息相关了，比如动词应该采用单数形式还是复数形式，所以我们要把刚学到的和代词相关的信息加入到cell状态中，才能进行正确的预测。

Unstanding LSTM

标签：依赖   实现   思想   入门   上下文   开始   替换   保存   增加   

原文地址：https://www.cnblogs.com/wengyuyuan/p/11795819.html