0底子跟德姆（dom）一起学AI 天然语言处理10-LSTM模型

1 LSTM先容

LSTM（Long Short-Term Memory）也称长短时影象结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕获长序列之间的语义关联, 缓解梯度消失或爆炸征象. 同时LSTM的结构更复杂, 它的焦点结构可以分为四个部门去解析:

• 遗忘门
  
• 输入门
  
• 细胞状态
  
• 输出门
  

2 LSTM的内部结构图

2.1 LSTM结构分析

• 结构解释图:
  

• 遗忘门部门结构图与计算公式:
  

• 遗忘门结构分析:
  
  
  
  • 与传统RNN的内部结构计算非常相似, 起首将当前时间步输入x(t)与上一个时间步隐含状态h(t-1)拼接, 得到[x(t), h(t-1)], 然后通过一个全连接层做变动, 最后通过sigmoid函数进行激活得到f(t), 我们可以将f(t)看作是门值, 好比一扇门开合的大小程度, 门值都将作用在通过该扇门的张量, 遗忘门门值将作用的上一层的细胞状态上, 代表遗忘已往的多少信息, 又因为遗忘门门值是由x(t), h(t-1)计算得来的, 因此整个公式意味着根据当前时间步输入和上一个时间步隐含状态h(t-1)来决定遗忘多少上一层的细胞状态所携带的过往信息.
    
  
  
• 遗忘门内部结构过程演示:
  

• 激活函数sigmiod的作用:
  
  
  
  • 用于帮助调治流经网络的值, sigmoid函数将值压缩在0和1之间.
    
  
  

• 输入门部门结构图与计算公式:
  

• 输入门结构分析:
  
  
  
  • 我们看到输入门的计算公式有两个, 第一个就是产生输入门门值的公式, 它和遗忘门公式几乎相同, 区别只是在于它们之后要作用的目标上. 这个公式意味着输入信息有多少需要进行过滤. 输入门的第二个公式是与传统RNN的内部结构计算相同. 对于LSTM来讲, 它得到的是当前的细胞状态, 而不是像经典RNN一样得到的是隐含状态.
    
  
  
• 输入门内部结构过程演示:
  

• 细胞状态更新图与计算公式:
  

• 细胞状态更新分析:
  
  
  
  • 细胞更新的结构与计算公式非常容易理解, 这里没有全连接层, 只是将刚刚得到的遗忘门门值与上一个时间步得到的C(t-1)相乘, 再加上输入门门值与当前时间步得到的未更新C(t)相乘的效果. 最终得到更新后的C(t)作为下一个时间步输入的一部门. 整个细胞状态更新过程就是对遗忘门和输入门的应用.
    
  
  
• 细胞状态更新过程演示:
  

• 输出门部门结构图与计算公式:
  

• 输出门结构分析:
  
  
  
  • 输出门部门的公式也是两个, 第一个便是计算输出门的门值, 它和遗忘门，输入门计算方式相同. 第二个便是使用这个门值产生隐含状态h(t), 他将作用在更新后的细胞状态C(t)上, 并做tanh激活, 最终得到h(t)作为下一时间步输入的一部门. 整个输出门的过程, 就是为了产生隐含状态h(t).
    
  
  
• 输出门内部结构过程演示:
  

2.2 Bi-LSTM先容

Bi-LSTM即双向LSTM, 它没有改变LSTM自己任何的内部结构, 只是将LSTM应用两次且方向差别, 再将两次得到的LSTM效果进行拼接作为最终输出.

• Bi-LSTM结构分析:
  
  
  
  • 我们看到图中对"我爱中国"这句话或者叫这个输入序列, 进行了从左到右和从右到左两次LSTM处理, 将得到的效果张量进行了拼接作为最终输出. 这种结构能够捕获语言语法中一些特定的前置或后置特征, 增强语义关联,但是模型参数和计算复杂度也随之增加了一倍, 一样平常需要对语料和计算资源进行评估后决定是否使用该结构.
    
  
  

2.3 使用Pytorch构建LSTM模型

• 位置: 在torch.nn工具包之中, 通过torch.nn.LSTM可调用.
  
• nn.LSTM类初始化主要参数解释:
  
  
  
  • input_size: 输入张量x中特征维度的大小.
    
  • hidden_size: 隐层张量h中特征维度的大小.
    
  • num_layers: 隐含层的数量.
    
  • bidirectional: 是否选择使用双向LSTM, 如果为True, 则使用; 默认不使用.
    
  
  
• nn.LSTM类实例化对象主要参数解释:
  
  
  
  • input: 输入张量x.
    
  • h0: 初始化的隐层张量h.
    
  • c0: 初始化的细胞状态张量c.
    
  
  
• nn.LSTM使用示例:
  

1. # 定义LSTM的参数含义: (input_size, hidden_size, num_layers)
2. # 定义输入张量的参数含义: (sequence_length, batch_size, input_size)
3. # 定义隐藏层初始张量和细胞初始状态张量的参数含义:
4. # (num_layers * num_directions, batch_size, hidden_size)
6. >>> import torch.nn as nn
7. >>> import torch
8. >>> rnn = nn.LSTM(5, 6, 2)
9. >>> input = torch.randn(1, 3, 5)
10. >>> h0 = torch.randn(2, 3, 6)
11. >>> c0 = torch.randn(2, 3, 6)
12. >>> output, (hn, cn) = rnn(input, (h0, c0))
13. >>> output
14. tensor([[[ 0.0447, -0.0335,  0.1454,  0.0438,  0.0865,  0.0416],
15.          [ 0.0105,  0.1923,  0.5507, -0.1742,  0.1569, -0.0548],
16.          [-0.1186,  0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]],
17.        grad_fn=<StackBackward>)
18. >>> hn
19. tensor([[[ 0.4647, -0.2364,  0.0645, -0.3996, -0.0500, -0.0152],
20.          [ 0.3852,  0.0704,  0.2103, -0.2524,  0.0243,  0.0477],
21.          [ 0.2571,  0.0608,  0.2322,  0.1815, -0.0513, -0.0291]],
23.         [[ 0.0447, -0.0335,  0.1454,  0.0438,  0.0865,  0.0416],
24.          [ 0.0105,  0.1923,  0.5507, -0.1742,  0.1569, -0.0548],
25.          [-0.1186,  0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]],
26.        grad_fn=<StackBackward>)
27. >>> cn
28. tensor([[[ 0.8083, -0.5500,  0.1009, -0.5806, -0.0668, -0.1161],
29.          [ 0.7438,  0.0957,  0.5509, -0.7725,  0.0824,  0.0626],
30.          [ 0.3131,  0.0920,  0.8359,  0.9187, -0.4826, -0.0717]],
32.         [[ 0.1240, -0.0526,  0.3035,  0.1099,  0.5915,  0.0828],
33.          [ 0.0203,  0.8367,  0.9832, -0.4454,  0.3917, -0.1983],
34.          [-0.2976,  0.7764, -0.0074, -0.1965, -0.1343, -0.6683]]],
35.        grad_fn=<StackBackward>)

复制代码

2.4 LSTM优缺点

• LSTM上风:
  LSTM的门结构能够有效减缓长序列问题中可能出现的梯度消失或爆炸, 虽然并不能杜绝这种征象, 但在更长的序列问题上表现优于传统RNN.
  
• LSTM缺点:
  由于内部结构相对较复杂, 因此训练效率在划一算力下较传统RNN低许多.
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。