• 如何能够成功的撩到李白? 2019-03-21
  • 劫匪持枪抢劫金店 川渝警方联动20小时破案 2019-03-21
  • 【专题】河北省人民政府新闻发布会 2019-03-21
  • 应对排放新规 大众德国工厂计划短暂停产 2019-02-22
  • 中共中央组织部“12380”举报网站 2019-02-22
  • 【正德永成车型报价】正德永成4S店车型价格 2019-02-12
  • 人民日报民生观:我国医疗质量提升秘诀何在 2019-02-12
  • 您的位置 > 查吉林十一选五走势图 > 商业智能 > 难以置信!LSTM和GRU的解析从未如此清晰深度学习

    广东十一选五助手:难以置信!LSTM和GRU的解析从未如此清晰深度学习

    查吉林十一选五走势图 www.fgxj.net 来源:炼数成金 | 2018-09-30 | 发布:经管之家

    短时记忆

    RNN 会受到短时记忆的影响。如果一条序列足够长,那它们将很难将信息从较早的时间步传送到后面的时间步。 因此,如果你正在尝试处理一段文本进行预测,RNN 可能从一开始就会遗漏重要信息。


    在反向传播期间,RNN 会面临梯度消失的问题。 梯度是用于更新神经网络的权重值,消失的梯度问题是当梯度随着时间的推移传播时梯度下降,如果梯度值变得非常小,就不会继续学习。


    梯度更新规则

    因此,在递归神经网络中,获得小梯度更新的层会停止学习—— 那些通常是较早的层。 由于这些层不学习,RNN 可以忘记它在较长序列中看到的内容,因此具有短时记忆。


    作为解决方案的 LSTM 和 GRU

    LSTM 和 GRU 是解决短时记忆问题的解决方案,它们具有称为“门”的内部机制,可以调节信息流。



    这些“门”可以知道序列中哪些重要的数据是需要保留,而哪些是要删除的。 随后,它可以沿着长链序列传递相关信息以进行预测,几乎所有基于递归神经网络的技术成果都是通过这两个网络实现的。


    LSTM 和 GRU 可以在语音识别、语音合成和文本生成中找到,你甚至可以用它们为视频生成字幕。对 LSTM 和 GRU 擅长处理长序列的原因,到这篇文章结束时你应该会有充分了解。 


    下面我将通过直观解释和插图进行阐述,并避免尽可能多的数学运算。


    本质

    让我们从一个有趣的小实验开始吧。当你想在网上购买生活用品时,一般都会查看一下此前已购买该商品用户的评价。



    当你浏览评论时,你的大脑下意识地只会记住重要的关键词,比如“amazing”和“awsome”这样的词汇,而不太会关心“this”、“give”、“all”、“should”等字样。如果朋友第二天问你用户评价都说了什么,那你可能不会一字不漏地记住它,而是会说出但大脑里记得的主要观点,比如“下次肯定还会来买”,那其他一些无关紧要的内容自然会从记忆中逐渐消失。



    而这基本上就像是 LSTM 或 GRU 所做的那样,它们可以学习只保留相关信息来进行预测,并忘记不相关的数据。


    RNN 述评

    为了了解 LSTM 或 GRU 如何实现这一点,让我们回顾一下递归神经网络。 RNN 的工作原理如下;第一个词被转换成了机器可读的向量,然后 RNN 逐个处理向量序列。


     逐一处理矢量序列


    处理时,RNN 将先前隐藏状态传递给序列的下一步。 而隐藏状态充当了神经网络记忆,它包含相关网络之前所见过的数据的信息。



    将隐藏状态传递给下一个时间步


    让我们看看 RNN 的一个细胞,了解一下它如何计算隐藏状态。 首先,将输入和先前隐藏状态组合成向量, 该向量包含当前输入和先前输入的信息。 向量经过激活函数 tanh之后,输出的是新的隐藏状态或网络记忆。

           

    RNN 细胞

    激活函数 Tanh

    激活函数 Tanh 用于帮助调节流经网络的值。 tanh 函数将数值始终限制在 -1 和 1 之间。



    当向量流经神经网络时,由于有各种数学运算的缘故,它经历了许多变换。 因此想象让一个值继续乘以 3,你可以想到一些值是如何变成天文数字的,这让其他值看起来微不足道。


    没有 tanh 函数的向量转换


    tanh 函数确保值保持在 -1~1 之间,从而调节了神经网络的输出。 你可以看到上面的相同值是如何保持在 tanh 函数所允许的边界之间的。


    有 tanh 函数的向量转换


    这是一个 RNN。 它内部的操作很少,但在适当的情形下(如短序列)运作的很好。 RNN 使用的计算资源比它的演化变体 LSTM 和 GRU 要少得多。


    LSTM

    LSTM 的控制流程与 RNN 相似,它们都是在前向传播的过程中处理流经细胞的数据,不同之处在于 LSTM 中细胞的结构和运算有所变化。


    LSTM 的细胞结构和运算


    这一系列运算操作使得 LSTM具有能选择保存信息或遗忘信息的功能。咋一看这些运算操作时可能有点复杂,但没关系下面将带你一步步了解这些运算操作。


    核心概念

    LSTM 的核心概念在于细胞状态以及“门”结构。细胞状态相当于信息传输的路径,让信息能在序列连中传递下去。你可以将其看作网络的“记忆”。理论上讲,细胞状态能够将序列处理过程中的相关信息一直传递下去。


    因此,即使是较早时间步长的信息也能携带到较后时间步长的细胞中来,这克服了短时记忆的影响。信息的添加和移除我们通过“门”结构来实现,“门”结构在训练过程中会去学习该保存或遗忘哪些信息。


    Sigmoid

    门结构中包含着 sigmoid 激活函数。Sigmoid 激活函数与 tanh 函数类似,不同之处在于 sigmoid 是把值压缩到 0~1 之间而不是 -1~1 之间。这样的设置有助于更新或忘记信息,因为任何数乘以 0 都得 0,这部分信息就会剔除掉。同样的,任何数乘以 1 都得到它本身,这部分信息就会完美地保存下来。这样网络就能了解哪些数据是需要遗忘,哪些数据是需要保存。


    Sigmoid 将值压缩到 0~1 之间


    接下来了解一下门结构的功能。LSTM 有三种类型的门结构:遗忘门、输入门和输出门。


    遗忘门

    遗忘门的功能是决定应丢弃或保留哪些信息。来自前一个隐藏状态的信息和当前输入的信息同时传递到 sigmoid 函数中去,输出值介于 0 和 1 之间,越接近 0 意味着越应该丢弃,越接近 1 意味着越应该保留。


    遗忘门的运算过程


    输入门

    输入门用于更新细胞状态。首先将前一层隐藏状态的信息和当前输入的信息传递到 sigmoid 函数中去。将值调整到 0~1 之间来决定要更新哪些信息。0 表示不重要,1 表示重要。


    其次还要将前一层隐藏状态的信息和当前输入的信息传递到 tanh 函数中去,创造一个新的侯选值向量。最后将 sigmoid 的输出值与 tanh 的输出值相乘,sigmoid 的输出值将决定 tanh 的输出值中哪些信息是重要且需要保留下来的。

    输入门的运算过程


    细胞状态

    下一步,就是计算细胞状态。首先前一层的细胞状态与遗忘向量逐点相乘。如果它乘以接近 0 的值,意味着在新的细胞状态中,这些信息是需要丢弃掉的。然后再将该值与输入门的输出值逐点相加,将神经网络发现的新信息更新到细胞状态中去。至此,就得到了更新后的细胞状态。


    细胞状态的计算


    输出门


    输出门用来确定下一个隐藏状态的值,隐藏状态包含了先前输入的信息。首先,我们将前一个隐藏状态和当前输入传递到 sigmoid 函数中,然后将新得到的细胞状态传递给 tanh 函数。


    最后将 tanh 的输出与 sigmoid 的输出相乘,以确定隐藏状态应携带的信息。再将隐藏状态作为当前细胞的输出,把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。

     输出门的运算过程


    让我们再梳理一下。遗忘门确定前一个步长中哪些相关的信息需要被保留;输入门确定当前输入中哪些信息是重要的,需要被添加的;输出门确定下一个隐藏状态应该是什么。


    代码示例

    对于那些懒得看文字的人来说,代码也许更好理解,下面给出一个用 python 写的示例。


    python 写的伪代码


    1.首先,我们将先前的隐藏状态和当前的输入连接起来,这里将它称为 combine;

    2.其次将 combine 丢到遗忘层中,用于删除不相关的数据;

    3.再用 combine 创建一个候选层,候选层中包含着可能要添加到细胞状态中的值;

    4.combine 同样要丢到输入层中,该层决定了候选层中哪些数据需要添加到新的细胞状态中;

    5.接下来细胞状态再根据遗忘层、候选层、输入层以及先前细胞状态的向量来计算;

    6.再计算当前细胞的输出;

    7.最后将输出与新的细胞状态逐点相乘以得到新的隐藏状态。


    是的,LSTM 网络的控制流程就是几个张量和一个 for 循环。你还可以使用隐藏状态进行预测。结合这些机制,LSTM 能够在序列处理中确定哪些信息需要记忆,哪些信息需要遗忘。


    GRU

    知道了 LSTM 的工作原理之后,来了解一下 GRU。GRU 是新一代的循环神经网络,与 LSTM 非常相似。与 LSTM 相比,GRU 去除掉了细胞状态,使用隐藏状态来进行信息的传递。它只包含两个门:更新门和重置门。


    GRU 的细胞结构和门结构


    更新门

    更新门的作用类似于 LSTM 中的遗忘门和输入门。它决定了要忘记哪些信息以及哪些新信息需要被添加。


    重置门

    重置门用于决定遗忘先前信息的程度。


    这就是 GRU。GRU 的张量运算较少,因此它比 LSTM 的训练更快一下。很难去判定这两者到底谁更好,研究人员通?;崃秸叨际砸幌?,然后选择最合适的。


    结语

    总而言之,RNN 适用于处理序列数据用于预测,但却受到短时记忆的制约。LSTM 和 GRU 采用门结构来克服短时记忆的影响。门结构可以调节流经序列链的信息流。LSTM 和 GRU 被广泛地应用到语音识别、语音合成和自然语言处理等。


    原文链接:https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21


    声明:文章收集于网络,如有侵权,请联系小编及时处理,谢谢!


    欢迎加入本站公开兴趣群

    商业智能与数据分析群

    兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识

    QQ群:81035754

    本文已经过优化显示,查看原文请点击以下链接:
    查看原文://bi.dataguru.cn/article-14199-1.html

    院校点评more

    京ICP备11001960号  京ICP证090565号 京公网安备1101084107号 论坛法律顾问:王进律师知识产权?;ど?/a>免责及隐私声明   主办单位:查吉林十一选五走势图 版权所有
    联系QQ:2881989700  邮箱:[email protected]
    合作咨询电话:(010)62719935 广告合作电话:13661292478(刘老师)

    投诉电话:(010)68466864 不良信息处理电话:(010)68466864
  • 如何能够成功的撩到李白? 2019-03-21
  • 劫匪持枪抢劫金店 川渝警方联动20小时破案 2019-03-21
  • 【专题】河北省人民政府新闻发布会 2019-03-21
  • 应对排放新规 大众德国工厂计划短暂停产 2019-02-22
  • 中共中央组织部“12380”举报网站 2019-02-22
  • 【正德永成车型报价】正德永成4S店车型价格 2019-02-12
  • 人民日报民生观:我国医疗质量提升秘诀何在 2019-02-12