LSTM 原理_lstm原理

一、lstm介绍

长短时记忆网络(Long Short Term Memory Network, LSTM)，是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题，目前比较流行。

二、理论介绍

2.1长短时记忆网络的思路：

原始 RNN 的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。再增加一个状态，即c，让它来保存长期的状态，称为单元状态(cell state)。

上图是lstm的示意图。在 t 时刻，LSTM 的输入有三个：当前时刻网络的输入值 X_t、上一时刻 LSTM 的输出值 h_t-1、以及上一时刻的单元状态 C_t-1；

LSTM 的输出有两个：当前时刻 LSTM 输出值 h_t、和当前时刻的单元状态 C_t。

关键问题是：怎样控制长期状态 c ？

方法是：使用三个控制开关

第一个开关，负责控制继续保存长期状态c；

第二个开关，负责控制把即时状态输入到长期状态c；

第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。

如何在算法中实现这三个开关？

方法：用 门（gate）

定义：gate 实际上就是一层全连接层，输入是一个向量，输出是一个 0到1 之间的实数向量。

公式为：g(x)=sigmoid(Wx+b)

也就是：

gate 如何进行控制？

方法：用门的输出向量按元素乘以我们需要控制的那个向量

原理：门的输出是 0到1 之间的实数向量，当门输出为 0 时，任何向量与之相乘都会得到 0 向量，这就相当于什么都不能通过；输出为 1 时，任何向量与之相乘都不会有任何改变，这就相当于什么都可以通过。

2.2 LSTM 的前向计算-门计算

LSTM 的关键就是细胞状态，水平线在图上方贯穿运行。细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。

一共有 6 个公式

遗忘门（forget gate）:它决定了上一时刻的单元状态 c_t-1 有多少保留到当前时刻 c_t

输入门（input gate）:它决定了当前时刻网络的输入 x_t 有多少保存到单元状态 c_t

输出门（output gate）:控制单元状态 c_t 有多少输出到 LSTM 的当前输出值 h_t

遗忘门的计算为：

遗忘门的计算公式中：

W_f 是遗忘门的权重矩阵，[h_t-1, x_t] 表示把两个向量连接成一个更长的向量，b_f是遗忘门的偏置项，σ 是 sigmoid 函数。

输入门的计算：

根据上一次的输出和本次输入来计算当前输入的单元状态：

当前时刻的单元状态 c_t 的计算：由上一次的单元状态 c_t-1 按元素乘以遗忘门 f_t，再用当前输入的单元状态 c_t 按元素乘以输入门 i_t，再将两个积加和：这样，就可以把当前的记忆 c_t 和长期的记忆 c_t-1 组合在一起，形成了新的单元状态 c_t。由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆。

输出门的计算：

三、训练方法

为了最小化训练误差，梯度下降法（Gradient descent）如：应用时序性倒传递算法，可用来依据错误修改每次的权重。梯度下降法在递回神经网络（RNN）中主要的问题初次在1991年发现，就是误差梯度随着事件间的时间长度成指数般的消失。当设置了LSTM 区块时，误差也随着倒回计算，从output影响回input阶段的每一个gate，直到这个数值被过滤掉。因此正常的倒传递类神经是一个有效训练LSTM区块记住长时间数值的方法。

参考文献：

1.LSTM算法+数据预测：LSTM算法+数据预测_1632401541的博客-CSDN博客_lstm算法

2.LSTM原理详解：LSTM原理详解_Wimb的博客-CSDN博客_lstm原理

3.长短期记忆人工神经网络_百度百科

4.理解 LSTM 网络：理解 LSTM 网络 - 简书

5.人人都能看懂的LSTM：人人都能看懂的LSTM - 知乎