RNN和LSTM理论学习笔记

• 出现原因：多层全连接的神经网络或者卷积神经网络只能处理当前状态。
• 时序相关的问题：自然语言处理，视频图像处理、股票交易信息处理等。

循环神经网络RNN（Recurrent Neural Network）

• 类型：
  （1）单向神经网络或者双向神经网络
  （2）循环神经网络和深度循环神经网络

• 作用：处理短序列问题

X为输入层，是一系列的特征，用向量的形式表示；
O为输出，依然是一系列的向量，具体可以为物体的分类等；
h为神经元当前的状态；
U为输入X特征与隐藏层神经元全连接的权值矩阵；
V为隐藏层与输出层全连接的权值矩阵；
W为上一次隐藏层的输出到下一隐藏层的输入的权值矩阵；（一直更新）
隐藏层的输出取决于x、U、W；

• 自己的理解：
  隐藏层只是简单执行一个tanh或者Relu操作，里边的计算大部分都是乘法，会形成梯度消失或者梯度爆炸；RNN可以处理短序列问题，但不可处理长序列问题。
  

长短期循环神经网络LSTM（Long Short-Term Memory）

• 作用：解决梯度爆炸或消失，处理长序列问题；

• LSTM主要是对RNN的隐藏层进行了改进；
  LSTM神经元的输入有三部分：当前网络的输入Xt，上一时刻的输出ht、上一时刻的单元状态Ct。
  

• LSTM中每一个神经元相当于一个记忆细胞，关键的是细胞状态，细胞状态类似于以时间为基准的传送带，在链路上运行，只有少量的线性交互；
  

门：保护和控制细胞状态

（1）遗忘门
（2）输入门
（3）输出门
a. 门是一种让信息选择式通过的方法。包含一个 Sigmoid神经网络层和一个点乘操作。
b. Sigmoid层输出0到1之间的数值，描述每个部分有多少量可以通过。
0 代表“不许任何量通过”
1 代表“允许任何量通过”

• 遗忘门：决定丢弃上一步的哪些信息。
  遗忘门读取 ht−1和 xt，输出一个在 0 到 1 之间的数值给每个在细胞状态 Ct−1 中的数字。1 表示“完全保留”，0 表示“完全舍弃”；
  
• 输入门：决定加入哪些新的信息。

1. tanh层创建一个新的候选值向量 Ct~，加到状态中。
2. 这里sigmoid层称“输入门层”，起到一个缩放的作用。
3. 这两个信息产生对状态的更新。
   

• 更新细胞状态
  1.旧的细胞状态 Ct−1与 ft 相乘来丢弃一部分信息
  2.再加上 it∗Ct~（i是input输入门），生成新的细胞状态Ct
  

• 输出门：决定输出哪些信息。
  1.把Ct输给 tanh 函数，得到一个候选的输出值
  2.运行一个 sigmoid 层来确定细胞状态的哪个部分将输出出去
  

• 结束

• 点赞
• 收藏
• 分享
• 文章举报