一文看懂|长短时记忆网络LSTM

从RNN说起​

循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。​

​

​

​

​

43%

​

​

​

​

57%

​

​

​

这里：x 为当前状态下数据的输入， h 表示接收到的上一个节点的输入。​

y 为当前节点状态下的输出，而 h′ 为传递到下一个节点的输出。​

​

通过序列形式的输入，我们能够得到如下形式的RNN。​

LSTM​

2.1 什么是LSTM​

长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。​

​

​

​

⭕

相比RNN只有一个传递状态 ht ，LSTM有两个传输状态，一个 ct （cell state），和一个 ht （hidden state）。（Tips：RNN中的 ht 对于LSTM中的 ct ）​

​

2.2 深入LSTM结构​

首先使用LSTM的当前输入 xt 和上一个状态传递下来的 ht−1 拼接训练得到四个状态。​

​

​

​

​

53%

​

​

​

​

47%

​

​

其中， zf ， zi ，zo 是由拼接向量乘以权重矩阵之后，再通过一个 sigmoid 激活函数转换成0到1之间的数值，来作为一种门控状态。而 z 则是将结果通过一个 tanh 激活函数将转换成-1到1之间的值（这里使用 tanh 是因为这里是将其做为输入数据，而不是门控信号）。​

下面开始进一步介绍这四个状态在LSTM内部的使用。（敲黑板）​

​

​

LSTM内部主要有三个阶段：​

忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会 “忘记不重要的，记住重要的”。​

具体来说是通过计算得到的 zf （f表示forget）来作为忘记门控，来控制上一个状态的 ct−1 哪些需要留哪些需要忘。​

选择记忆阶段。这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入 xt 进行选择记忆。哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的 z 表示。而选择的门控信号则是由 zi （i代表information）来进行控制。​

​

将上面两步得到的结果相加，即可得到传输给下一个状态的 ct 。也就是上图中的第一个公式。​

​

输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。主要是通过 zo 来进行控制的。并且还对上一阶段得到的 co 进行了放缩（通过一个tanh激活函数进行变化）。​

与普通RNN类似，输出 yt 往往最终也是通过 ht 变化得到。​

​

​

总结​

以上，就是LSTM的内部结构。通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息；而不像普通的RNN那样只能够“呆萌”地仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说，尤其好用。​

但也因为引入了很多内容，导致参数变多，也使得训练难度加大了很多。因此很多时候我们往往会使用效果和LSTM相当但参数更少的GRU来构建大训练量的模型。​