【Pytorch】21. 循环神经网络RNN和LSTM_chris olah rnn lstm

本节我们学习recurrent neural networks (RNNs)和 long short-term memory (LSTM)

RNN

假设有一个普通的神经网络，输入一张图片，预测出来是狗

但是如果这张图片真的是一只狼呢？神经网络怎么才可以知道呢？假如我们在看自然的电视节目，前面出现了熊，出现了狐狸，这个时候我们就猜测最后一张图片是一头狼，因为都是野外的动物嘛。这种情况下，就是前面的信息对后面的预测有帮助。

这基本上就是RNN的原理

LSTM

但是RNN也存在问题，假如最近出现的两张图片分别是树和松鼠，比较远的地方出现的是熊，那么最后一张图片很可能预测是狗，因为熊出现的地方太远了，这中间经过了很多次sigmoid，信息被稀释掉了，影响就很小了。而且更甚的是，一路回去做反向传播，会出现梯度消失的问题

这就是RNN的问题，并不擅长记忆长期内容，只能记忆短期记忆

LSTM就可以解决这个问题，因为它不仅记忆短期的记忆，还有长期记忆

比方说再刚刚的案例中，长期记忆就是“这是关于自然科学的”，“有很多森林动物”，短期记忆就是“松鼠”“树”，有一个事件是判别是“狗还是狼”，这三个东西一起再用来生成三个东西，分别是output，更新的长期记忆，更新的短期记忆（下图的紫色箭头不仅都指向短期记忆，也都指向长期记忆和output）

在LSTM中，中间的过程是有很多“门”来控制的，分别如下图四个颜色所示

其中长期记忆我们用大象表示，它会进入到forget gate，这个gate决定要忘记哪些东西。

短期记忆用金鱼表示，金鱼和狼都会进入到learn gate来学习。

然后没有遗忘的大象，学习好的金鱼和学习好的狼就会进入到remember gate，形成新的长期记忆。

而use gate也会用这些信息形成新的短期记忆，输出output，也就是狼的预测，和新的短期记忆

以上的过程不断地进行，就形成了下图，t代表时间

LSTM架构

先来看一下RNN的架构，就是利用short term memory STM和Event E一起，乘上weights，加上bias，然后用激活函数得到新的memory

LSTM的结构就是类似的

Learn Gate学习门

Learn gate是接收短期记忆和event，将两者结合起来，然后忽略一部分，只保留重要的部分

这里就是忽略了“树”，只保留了动物的部分

数学表示是这样的：

①短期记忆STM和事件E进来之后，乘上weights，加上bias，然后用tanh激活函数，就产生了新的信息Nt。这部分用的就是conbine的部分。

②然后需要再忽略一部分，那就乘上遗忘因子it。it是一个向量，进行element wise乘法。it的计算依旧需要用到前面的STM和E的信息，这里又有一个小的神经网络，用到新的权重Wi和偏差bi。

如下图所示，这就是学习门的工作原理

Forget Gate 遗忘门

这里遗忘门的目的就是接受long term memory，which 包含了自然和科学，我们需要忘记科学，留下自然。

工作原理和上面差不多，接收的是长期记忆LTM，对长期记忆进行遗忘，遗忘的过程就是乘ft，ft和it一样，计算需要用到前面的STM和E的信息，经过一层小小的神经网络就得到了ft。

Remember Gate记忆门

这个门就更简单了，就是接收长期记忆和短期记忆，当然是处理过的长期记忆和短期记忆，就是把forget gate和learn gate的内容加起来就好了

Use Gate 应用门

这个门就是为了得到输出，也是短期记忆，这两个是一个东西。

比方说在这里，就是将long term memory中的东西里面找到一只熊，然后从short term memory中找到一只松鼠，然后得出“你的图片最有可能是一只狼，当然也涉及其他动物”

工作原理就是将遗忘门的输出结果放到一个小型神经网络里面，使用tanh激活函数；然后把短期记忆和事件放到另一个小型神经网络里面，使用sigmoid激活函数；最后一步就是把两者相乘，得到新的输出结果。

其他架构

LSTM的结构我们已经知道了，但是为什么有的地方用tanh，有的地方用sigmoid，为什么有的地方要＋，有的地方要×。其实就是因为试验下来这样有用。所以用了这样的结构。其实还有很多其他可行的结构，下面就介绍一些

Gated Recurrent Unit（GRU）

GRU把遗忘门和学习门合并为更新门 update gate，更新门的结果交给合并门 combine gate来处理。他只会翻出一个工作记忆，而不是一对长期记忆和短期记忆。

下面列举了 GRUs 的一些参考文献

• Michael Guerzhoy 的 PPT
• Steve Carell 的论文

Peephole Connections

这里是另一种结构，叫做窥视孔连接。

回忆一下遗忘门的结构，短期以及和事件一起来决定该以往什么，也就是ft的产生，那么为什么长期记忆不来决定哪些内容该遗忘呢？所以peephole连接就加入了长期记忆，也来做决策。这样ft的生成就需要更大的数据。

可以把LSTM的所有遗忘门的部分都换成窥视孔连接，就成了具备窥视孔连接的LSTM

---

代码：

git clone https://github.com/udacity/deep-learning-v2-pytorch.git

转到
recurrent-neural-networks > time-series

代码分析请看【Pytorch】21. RNN代码分析

---

其他参考资料

• Chris Olah’s LSTM post
• Edwin Chen’s LSTM post
• Andrej Karpathy’s blog post on RNNs
• Andrej Karpathy’s lecture on RNNs and LSTMs from CS231n

本系列笔记来自Udacity课程《Intro to Deep Learning with Pytorch》

全部笔记请关注微信公众号【阿肉爱学习】，在菜单栏点击“利其器”，并选择“pytorch”查看