LSTM原理详解
LSTM原理详解
LSTM（长短时记忆网络）是一种改进后的循环神经网络，能够有效解决传统RNN无法处理长距离依赖的问题。本文将从基本原理出发，详细解析LSTM的工作机制，并通过具体公式和示例代码帮助读者深入理解这一重要模型。
LSTM
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。
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)。
把上图按照时间维度展开：
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：
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。
LSTM 的前向计算
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：
关于它的 Tuning 有下面几个建议：
LSTM的变种
由Cho介绍的门控循环单元(或GRU)
多层LSTM
LSTM的手写识别源码链接
【参考】
https://www.jianshu.com/p/dcec3f07d3b5
https://www.cnblogs.com/wangduo/p/6773601.html?utm_source=itdadao&utm_medium=referral
https://www.jianshu.com/p/4b4701beba92
Stacked Long Short-Term Memory Networks
【注】有关LSTM前向传播以及反向传播误差修正部分值得关注！