深度学习笔记4——RNN、LSTM_lstm相比rnn的改进

RNN

RNN与BP的区别

传统的神经网络没有设计记忆结构，难以处理序列数据，循环神经网络（RNN）针对BP神经网络的缺点，增加了信息跨时代传递的结构。
当我们处理与事件发生的时间轴有关系的问题时，比如自然语言处理，文本处理，文字的上下文是有一定的关联性的；时间序列数据，如连续几天的天气状况，当日的天气情况与过去的几天有某些联系；又比如语音识别，机器翻译等

RNN的历史信息传递方式

对于RNN，每个时刻的隐藏层除了连接本层的输入层与输出层，还连接上一时刻和下一时刻的隐藏单元。

BPTT

基于时间的反向传播（Back Propagation Through Time,BPTT）：RNN在训练时采用反向传播，还包含从最后一个时间将累积的残差传递回来过程的方法。

什么是RNN

• 循环神经网络在隐藏层会对之前的信息进行存储记忆，然后输入到当前计算的隐藏层单元中，也就是隐藏层内部结点不再是互相独立的，而是相互有信息传递。
• RNN通过隐藏层神经元的记忆功能，实现了所有时刻的权重矩阵共享。
• RNN基础结构图

LSTM

相较与LSTM，RNN的缺陷

• 普通RNN虽然具备一定的记忆功能，但是不能很好的处理长期记忆问题。
• RNN采用反向传播算法对权重和阈值进行优化，虽然可以将之前的隐藏层状态储存在记忆单元中，但难以处理相隔较远的信息，因为：
  • 当误差权重>1，权重多次相乘会导致梯度爆炸
  • 当误差权重<1，经过多次传播会导致梯度消失
• 计算梯度，使用链式法则，前面层的梯度是由后面层的梯度连乘得到，多个较小的梯度相乘导致梯度值指数级下降，最终反向传播几步后消失。
• RNN学习依赖于激活函数和网络初始参数，如果梯度太大，会梯度爆炸
• RNN不能解决长期依赖问题

什么是LSTM

LSTM模型属于循环神经网络，LSTM对于RNN的改进主要体现在：

• 通过门控制器，增加了对不同时刻记忆的权重控制（增加忘记门）、
  • 通过忘记门的控制单元选择过去的信息保留多少
  • 当忘记门=1，全保留过去信息
  • 当忘记门=0，全部忘记过去信息
  • 当0<忘记门<1，部分保留过去信息
• 加入跨层连接，削减梯度消失问题的影响
• 在LSTM单元中总是保持稳定的误差流，使得在反向传播时，不会出现梯度消失

LSTM算法内部结构

• 第一层是忘记层，垓层决定细胞状态丢弃什么信息（sigmoid函数的输出决定了状态信息保留多少），把ht-1和xt拼接传给sigmoid函数并输出0~1之间的值，并将值传到细胞状态Ct-1上
  

• 第二步是更新层的细胞状态，tanh层用来产生更新值的候选象，sigmoid层的输出值乘到tanh层的输出上。
  

• 第三步是旧的细胞状态Ct-1与忘记门ft相乘，再加第二步的更新的部分，产生新的细胞状态Ct
  

• 第四步是输出部分，将第三步的Ct，输给tanh函数得到输出值的候选项
  

LSTM小结

• 输入门控制了记忆单元的入口，只有当输入门是打开状态，输入数据才可以进入记忆单元；当输入门关闭，数据不能进入；输入门打开与否由神经网络学习到的参数决定。
• 遗忘门决定记忆单元的信息保留还是遗忘：即控制上一时刻进入记忆单元的信息有多少可以累计到当前时刻，这部分数据最终汇总到输出门处理。
• 输出门是记忆单元的出口，决定外部的单元是否可以从记忆单元中读取信息。
• LSTM的历史信息累计靠靠记忆单元的自连接实现，通过遗忘门控制上一时刻记忆单元的信息，并通过输入门控制信息的输入

LSTM与RNN相比的改进

• 多了3个基于sigmoid函数的“门”来控制信息的流量，通过对历史信息的线性累积，实现时间序列预测的“长程依赖”
• LSTM不仅可以保存过去的信息，还可以通过遗忘门决定保存多少过去的信息