[人工智能]【循环神经网络介绍】文本序列表示方法、RNN、LSTM和GRU原理

1 文本序列表示方法

1.1 问题

• 什么是文本序列？
• 怎么把单词转化成文本序列？

1.2 序列

• 概念：具有先后顺序的数据，如随时间变化的商品价格

• 神经网络本质上是一系列的矩阵相乘、相加等运算，并不能够直接处理字符串类型的数据，所以在用神经网络做自然语言处理任务之前，需要把单词或字符转化为数值

1.3 one-hot编码

• 对于英文句子：假设只考虑最常用的 1 万个单词，那么每个单词就可以表示为某位为 1、其他位置为 0 的、长度为 1 万的稀疏one-hot向量，如下图所示：
  

• 同理，对于中文句子：假设只考虑最常用的 5000 个汉字，则一个汉字可以表示为某位为 1、其他位置为 0 的、长度为 5000 的稀疏one-hot向量

one-hot编码具有如下两大缺点：

1. 编码出来的向量过于稀疏，长度很长，加重计算负担；

2. 忽略了单词先天具有的语义相关性。如：

   • like 和 dislike 均表示情感上喜欢的程度，两个词在语义方面强相关
   • Rome 和 Paris 均表示欧洲的城市，同样也是语义强相关

   对于这样的单词来说，如果采用 one-hot 编码，得到的向量之间没有相关性，不能体现出原有文字的语义相关性

1.4 Word Vector

语义层面的相关性能够很好地通过 Word Vector 体现出来。

余弦相关度是一种衡量词向量之间相关度的方法 ：
$$similarity(\mathbf{a},\mathbf{b})=cos(\theta )=\frac{\mathbf{a}?\mathbf{b}}{|\mathbf{a}|?|\mathbf{b}|}$$
其中 a 和 b 代表两个词向量。下图表达了单词 France 和 Italy 、ball 和 crocodile 的相似度：

θ 为两个词向量之间的夹角。以 0° 到 180° 为例：

• θ 越大，夹角越大，cos(θ) 越小，两向量之间的相似度越小
• θ 越小，夹角越小，cos(θ) 越大，两向量之间的相似度越大

1.5 Embedding层

1.5.1 实现过程

在神经网络中，单词的表示向量 Word Vector 其实是可以通过训练得到的。实现这种训练行为的表示层叫作 Embedding 层。其实现过程下：

1. 将各个单词编号为数字 i ，如 1 表示单词 me，2 表示单词 you；

2. 获取词汇表单词数 N ，并记要将单词编码成长度为 n 的向量 𝒗 ；

3. 用下面的函数计算 𝒗：
   $$\mathbf{v}=f_{\theta }(i|N,n)$$

4. 用各个单词编码后得到的向量 𝒗 构建大小为 [N, n] 的查询表 t ，这样的话，若来了一个新单词（标号为 j ），只需要在 t 的对应位置上查询 𝒗 即可：
   $$\mathbf{v}=t[j]$$

5. 经过网络训练，得到一个对各个单词都相对合理的编码方式，这样就得到了Embedding层

Embedding 层完成了单词到向量的转换，得到的这些向量可以继续通过神经网络完成后续任务，并计算误差L，采用梯度下降算法来实现端到端的训练，得到文本任务模型。

1.5.2 TenorFlow中的实现

训练Embedding层的过程是一个黑盒，具体使用时调用TensorFlow中的API即可。实现的示例代码如下：

import tensorflow as tf
from tensorflow.keras import layers
x = tf.range(100) # 生成 100 个单词的数字编码
x = tf.random.shuffle(x) # 打散
# 创建共100个单词，每个单词用长度为5的向量表示
# 具体使用时，单词向量长度要根据总单词数的大小进行多次尝试
net = layers.Embedding(100, 5)
# 将输入文本x转化为词向量
out = net(x) 

上述代码创建了 100 个单词的 Embedding 层 net，每个单词用长度为 5 的向量表示，这些词向量是随机初始化的，尚未经过网络训练。经过训练后，可以得到更好的表示方法。

训练用到的数据集看下面介绍，

1.6 预训练的词向量

使用预训练的Embedding 模型来训练得到单词的表示方法，往往能得到更好的性能。

用得比较广的预训练模型有如下两种：

• Word2Vec
• GloVe模型 GloVe.6B.50d：词汇量 40 万，每个单词使用长度为 50 的向量表示，用户只需要下载对应的模型文件 “glove6b50dtxt.zip” 就可使用

有了预训练的词向量模型，就可以用来初始化 Embedding 层的查询表，从而代替了随机初始化，得到更好的词向量表示方法。代码如下：

# 从预训练模型中加载词向量表
glove = load_embed('glove.6B.50d.txt')
# 利用预训练的词向量表初始化Embedding层
net.set_weights([glove])

这样得到的Embedding层不用经过训练，直接用”前人的智慧“，就得到了较好的、通用的Embedding层。

2 RNN

2.1 问题

• 对比全连接层，用RNN处理文本有什么优势？

• RNN的基本原理是什么？

• 如何在全连接层的基础上做一步步改进得到RNN？

2.2 全连接层处理文本

使用全连接层处理文本分类任务的思路如下：

1. 对于每个词向量，分别使用一个全连接层网络提取语义特征：
   Font metrics not found for font: .

2. 将提取到的所有单词的特征进行合并，得到2分类的概率分布。

示意图如下：

这种方法简单粗暴，有很大的缺陷：

• 每个单词都要配一个全连接层子网络，导致网络参数量太大，内存占用和计算代价高
• 由于不同文本长度不同，使得每个序列的长度并不相同，导致网络结构要一直改变，导致训练过程中网络结构低效、不稳定
• 每个全连接层子网络的参数 Wt 和 bt 只能感受当前词向量的输入，而无法感知之前和之后的语境信息，导致句子整体语义的缺失

为了解决这些缺陷，下面提出了几个新的概念。

2.3 共享权值

共享权值的思想在卷积神经网络中有着很显著的体现。

卷积神经网络之所以在处理局部相关数据时的效果优于全连接网络，是因为它充分利用了权值共享的思想。

以处理图像为例，对于图像中的每一层都使用同一个参数、尺寸一致的卷积核提取特征，进而大大减少了网络的参数量。

参照这一思想，我们可以将上述全连接层处理文本的过程改为如下形式：

使用共享权值之后可以得到如下好处：

• 参数量大大减少
• 网络训练更加稳定高效

解决了前两点，但下面这一点还是无法解决：

• 没有考虑序列之间的先后顺序，无法获取全局语义信息

为了解决这个缺点，又提出了”全局语义“的概念。

2.4 全局语义

上面两个结构均无法提取全局语义信息。为了提取全局语义，一个可行的思路如下：

1. 提供一个单独的内存变量，每次提取一个词向量的特征后，刷新内存变量
2. 将该内存变量作为参数送到下一个词向量的特征提取当中，如此递归进行，直至输入最后一个词向量的特征提取为止
3. 经过上述过程的内存变量即存储了所有序列的语义特征，并且由于输入序列之间的先后顺序，使得内存变量内容与序列顺序紧密关联。

上述思路的示意图如下：

各参数的含义为：

• ${\mathbf{h}}_{\mathbf{t}}$：上面提到的”内存变量“，也叫状态张量
• $t$ ：时间戳标记
• ${\mathbf{W}}_{\mathbf{x}\mathbf{h}}$：共享的权值，用于提取词向量的特征
• ${\mathbf{W}}_{\mathbf{h}\mathbf{h}}$：共享的权值，用于提取上一个时间戳的状态张量的特征
• $\mathbf{b}$ : 偏置项

每个时间戳上状态张量$h_t$的更新公式为：
$${\mathbf{h}}_{\mathbf{t}}=\sigma ({\mathbf{W}}_{\mathbf{x}\mathbf{h}}{\mathbf{x}}_t+{\mathbf{W}}_{\mathbf{h}\mathbf{h}}{\mathbf{h}}_{\mathbf{t}?1}+\mathbf{b})$$
经过这样的运算，最后一个时间戳上的${\mathbf{h}}_{\mathbf{t}}$就较好地代表了句子的全局语义信息，并且句子中不同时间戳上的单词也被串联了起来。

2.5 RNN结构

在上面的基础上，得到一种新的结构如下：

上图各参数的含义如下：

在每个时间戳 t 上，网络层接受如下两个参数：

• 当前时间戳 $t$ 的输入${\mathbf{x}}_{\mathbf{t}}$;
• 上一个时间戳的网络状态向量${\mathbf{h}}_{\mathbf{t}?1}$.

经过下面公式计算后，得到当前时间戳的状态向量${\mathbf{h}}_{\mathbf{t}}$：
$${\mathbf{h}}_{\mathbf{t}}=f_{\theta }({\mathbf{h}}_{\mathbf{t}?1},{\mathbf{x}}_{\mathbf{t}})$$
其中，$f_{\theta }$代表网络的运算逻辑，θ 为网络参数。
在每个时间戳上，将网络的状态向量变换后输出：
$${\mathbf{o}}_t=g_{?}({\mathbf{h}}_t)$$
将上图表示成在时间轴上进行折叠的形式，如下图所示：

这种结构就称为 循环网络结构（RNN结构）。

RNN结构包含了如下几项工作：

• 接受文本序列中每个单词的每个特征向量${\mathbf{x}}_{\mathbf{t}}$

• 刷新内部状态向量${\mathbf{h}}_{\mathbf{t}}$，计算公式为：
  $${\mathbf{h}}_t=\sigma ({\mathbf{W}}_{xh}{\mathbf{x}}_t+{\mathbf{W}}_{hh}{\mathbf{h}}_{t?1}+\mathbf{b})$$
  其中，$\sigma$为激活函数，在 RNN 中多用 tanh 函数：
  

• 由${\mathbf{h}}_{\mathbf{t}}$得到输出${\mathbf{o}}_{\mathbf{t}}$，有两种方式：

  1. 状态向量${\mathbf{h}}_{\mathbf{t}}$直接用作输出 ：
     $${\mathbf{o}}_t={\mathbf{h}}_t$$

  2. 对${\mathbf{h}}_{\mathbf{t}}$做一个简单的线性变换后再得到输出：
     $${\mathbf{o}}_t={\mathbf{W}}_{ho}{\mathbf{h}}_t$$

2.6 RNN中的梯度传播

2.6.1 梯度计算

下面来推导一下 RNN 结构中的梯度传播，观察特点，并发现其中隐藏的问题。

设 L 为网络的误差，则由链式求导法则可得 L 对共享权值的偏导如下：
$$\frac{?L}{?{\mathbf{W}}_{hh}}=\sum _{i=1}^t\frac{?L}{?{\mathbf{o}}_t}\frac{?{\mathbf{o}}_t}{?{\mathbf{h}}_t}\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}\frac{?{\mathbf{h}}_i}{?{\mathbf{W}}_{hh}}$$
其中：

• $\frac{?L}{?{\mathbf{o}}_t}$可由损失函数直接求得，视不同情况而定

• $\frac{?{\mathbf{o}}_t}{?{\mathbf{h}}_t}$的值为：
  $$\frac{?{\mathbf{o}}_t}{?{\mathbf{h}}_t}=\{\begin{array}{l}1,{\mathbf{o}}_t={\mathbf{h}}_t\\ {\mathbf{W}}_{ho},{\mathbf{o}}_t={\mathbf{W}}_{ho}{\mathbf{h}}_t\end{array}$$

• $\frac{?{\mathbf{h}}_i}{?{\mathbf{W}}_{hh}}$的求解公式为：
  $$\frac{?{\mathbf{h}}_i}{?{\mathbf{W}}_{hh}}=\frac{?\sigma ({\mathbf{W}}_{xh}{\mathbf{x}}_i+{\mathbf{W}}_{hh}{\mathbf{h}}_{i?1}+\mathbf{b})}{?{\mathbf{W}}_{hh}}$$

• $\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}$的求解过程如下：
  $$\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}=\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_{t?1}}\frac{?{\mathbf{h}}_{t?1}}{?{\mathbf{h}}_{t?2}}???\frac{?{\mathbf{h}}_{i+1}}{?{\mathbf{h}}_i}=\prod _{k=1}^{t?1}\frac{?{\mathbf{h}}_{k+1}}{?{\mathbf{h}}_k}$$
  又：
  $${\mathbf{h}}_{k+1}=\sigma ({\mathbf{W}}_{xh}{\mathbf{x}}_{k+1}+{\mathbf{W}}_{hh}{\mathbf{h}}_k+\mathbf{b})$$
  故：
  $$\frac{?{\mathbf{h}}_{k+1}}{?{\mathbf{h}}_k}=diag({\sigma }^{{}^{\prime }}({\mathbf{W}}_{xh}{\mathbf{x}}_{k+1}+{\mathbf{W}}_{hh}{\mathbf{h}}_k+\mathbf{b})){\mathbf{W}}_{hh}$$
  所以：
  $$\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}=\prod _{k=1}^{t?1}diag({\sigma }^{{}^{\prime }}({\mathbf{W}}_{xh}{\mathbf{x}}_{k+1}+{\mathbf{W}}_{hh}{\mathbf{h}}_k+\mathbf{b})){\mathbf{W}}_{hh}$$

经过上述运算，最终就可以求得$\frac{?{\mathbf{h}}_i}{?{\mathbf{W}}_{hh}}$的梯度。

从上述公式可以看到，$\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}$这一梯度计算包含了非常多的累乘项，导致RNN的训练非常困难。

2.6.2 梯度弥散和梯度爆炸

$\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}$包含了${\mathbf{W}}_{hh}$的连乘运算，这会出现下面的情况：

• 当${\mathbf{W}}_{hh}$的最大特征值小于1时，多次连乘运算会使得$\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}$的值接近于零。

  这一现象叫做 梯度弥散：
  

• 当${\mathbf{W}}_{hh}$的最大特征值大于1时，多次连乘运算会使得$\frac{?{\mathbf{h}}_t}{?{\mathbf{h}}_i}$的值非常大。

  这一现象叫做 梯度爆炸：
  

出现这两种情况时，网络训练起来会非常困难。数学解释如下。

梯度下降算法的公式为：
$${\theta }^{{}^{\prime }}=\theta ?\eta {▽}_{\theta }L$$
出现梯度弥散现象时：

${▽}_{\theta }L$≈ 0 ，导致${\theta }^{{}^{\prime }}=\theta$，也就是说每次梯度更新后参数基本保持不变，神经网络的参数长时间得不到更新，$L$ 也基本保持不变，导致无法收敛。

出现梯度爆炸现象时：

${▽}_{\theta }L$远远大于 1 ，导致梯度更新的步长$\eta {▽}_{\theta }L$很大，${\theta }^{{}^{\prime }}$与$\theta$的差距过大，$L$会出现突变、来回震荡的现象，也导致无法收敛。

如何解决这两个问题？

对于梯度弥散现象，可用的解决方法有：

• 增大学习率
• 减少网络深度
• 使用深度残差网络

对于梯度爆炸现象，主要用到梯度裁剪的方法。

2.6.3 梯度裁剪

梯度裁剪的主要思想为：

将梯度张量的数值或者范数限制在某个较小的区间内，使得远大于1的梯度值减少，避免出现梯度爆炸。

梯度裁剪的方法主要有如下三种。

• 直接对张量的数值进行限幅，使得张量 𝑾 的所有元素𝑾ij 都落在区间 [min,max] 中。

  使用 TensorFlow 实现该方法的示例代码如下：

  import tensorflow as tf
  # 生成随机数
  a = tf.random.uniform([3,3])
  # 梯度值裁剪
  tf.clip_by_value(a,0.3,0.5) 
  

  输出为：

  <tf.Tensor: shape=(3, 3), dtype=float32, numpy=
  array([[0.5 , 0.3 , 0.49528742],
  [0.5 , 0.5 , 0.5 ],
  [0.36500812, 0.5 , 0.5 ]], dtype=float32)>

• 对张量 𝑾 的范数进行限幅，使得 𝑾 的二范数被约束在区间 [0,max] 中。

  使用 TensorFlow 实现该方法的示例代码如下：

  import tensorflow as tf
  a = tf.random.uniform([3,3]) * 10
  # 按范数方式裁剪
  b = tf.clip_by_norm(a, 10)
  # 裁剪前和裁剪后的张量范数
  print("裁剪前：", float(tf.norm(a)))
  print("裁剪后：", float(tf.norm(b)))
  

  输出为：

  裁剪前： 15.314314842224121
  裁剪后： 10.0

  可以看到，对于大于max = 10 的 L2 范数的张量，裁剪后的范数缩减为 10。

• 前两种方法只是简单地对梯度张量进行限幅，这可能会导致网络更新方向发生变动的情况发生，使得网络不稳定。而 全局范数裁剪 则考虑了所有参数的梯度𝑾的范数，实现等比例的缩放。这样的好处为：

  • 既很好地限制网络的梯度值

  • 又不改变网络的更新方向

  全局范数的计算公式如下：
  $$global\_norm=\sqrt{\sum _i||{\mathbf{W}}^{(i)}|{|}_2^2}$$
  其中，${\mathbf{W}}^{(i)}$表示第 $i$个梯度张量。

  得到全局范数之后，全局范数裁剪的公式如下：
  $${\mathbf{W}}^{(i)}=\frac{{\mathbf{W}}^{(i)}?max\_norm}{max(global\_norm,max\_norm)}$$
  其中，max_norm 为全局最大范数值，由用户自己指定。

  使用 TensorFlow 实现该方法的示例代码如下：

  import tensorflow as tf
  # 创建第一个梯度张量
  w1 = tf.random.normal([3,3]) 
  # 创建第二个梯度张量
  w2 = tf.random.normal([3,3]) 
  # 计算全局范数
  global_norm = tf.math.sqrt(tf.norm(w1)**2 + tf.norm(w2)**2)
  # 设置max_norm=2，进行裁剪
  (ww1,ww2), global_norm = tf.clip_by_global_norm([w1,w2],2)
  # 计算裁剪后的张量组的 global norm
  global_norm2 = tf.math.sqrt(tf.norm(ww1)**2+tf.norm(ww2)**2)
  # 打印裁剪前的全局范数和裁剪后的全局范数
  print("裁剪前的全局范数：%.5f" % global_norm)
  print("裁剪后的全局范数：%.5f" % global_norm2)
  

  输出为：

  裁剪前的全局范数：4.02665
  裁剪后的全局范数：2.00000

  裁剪前的张量 w1 为：

  <tf.Tensor: shape=(3, 3), dtype=float32, numpy=
  array([[-2.267207 , 1.2793622 , -0.22873628],
  [-0.08037159, 0.39103642, -1.0350872 ],
  [ 0.99171644, 0.45965433, -0.5615316 ]], dtype=float32)>

  裁剪后的张量 ww1 为：

  <tf.Tensor: shape=(3, 3), dtype=float32, numpy=
  array([[-1.1261013 , 0.6354477 , -0.11361125],
  [-0.03991984, 0.19422427, -0.5141185 ],
  [ 0.49257663, 0.22830616, -0.2789077 ]], dtype=float32)>

在TensorFlow使用梯度裁剪方法的通用代码如下（这里用到的是全局梯度裁剪方法，其他两种方法的使用方式也是一样的）：

# 下面代码中，model为自定义的模型，y为数据集的标签，tape为梯度记录器
with tf.GradientTape() as tape:
    # 前向传播
	logits = model(x) 
    # 使用交叉熵损失做误差函数，计算误差
	loss = criteon(y, logits) 
# 计算梯度值
grads = tape.gradient(loss, model.trainable_variables)
# 得到梯度值之后，进行全局梯度裁剪，n是一个整数，视具体情况而定 
grads_clipped, _ = tf.clip_by_global_norm(grads, n) 
# 利用裁剪后的梯度张量更新参数
optimizer.apply_gradients(zip(grads_clipped, model.trainable_variables))

2.7 RNN的主要缺陷

经过上面的分析，可以总结出 RNN 的第一个主要缺陷：

• 容易出现梯度弥散或梯度爆炸的现象。

还有另一个致命的缺陷：

• RNN 的记忆是一种短时记忆，意思是说，RNN 在处理较长的句子时，往往只能够理解有限长度内的信息，而对于位于较长范围类的信息却不能够很好地串联起来。例如这句话：

  “今天是阴天，空气很凉爽，虽然没有太阳天空看起来灰蒙蒙的，但丝毫不能减弱人们的愉悦感。”

为了延长这种短时记忆，科学家提出了 长短时记忆网络 Long Short-Term Memory，简称 LSTM。LSTM 相比基础 RNN 网络具有如下优点：

• 记忆能力更强
• 更擅长处理较长的序列

下面就来介绍 LSTM。

3 LSTM

3.1 问题

• 为了解决RNN的主要缺陷，LSTM做出了什么改变？
• LSTM原理是什么，它是怎么工作的？

3.2 LSTM结构

3.2.1 概览

基础 RNN 结构的示意图如下所示：

LSTM 结构的示意图如下：

LSTM 中，有两个状态向量：

• 状态向量 c
• 状态向量 h

LSTM 主要运用门控机制来控制信息流动。门控机制类似于“开闸放水”，其大概原理如下：

图中，g 表示水阀门打开的程度，σ(g) 将 g 的值压缩到区间 [0, 1] 当中，x 表示输入的水流，

o 表示出阀门的水流

• σ(g) = 1 时，阀门全部打开，水流量o = x，达到最大
• σ(g) = 0 时，阀门全部打开，水流量o = 0，最小

LSTM 用到了如下三种门控：

• 遗忘门
• 输入门
• 输出门

3.2.2 遗忘门

遗忘门用于控制上一个时间戳 $t?1$ 的输出${\mathbf{c}}_{\mathbf{t}?1}$对当前时间戳的影响。示意图如下：

遗忘门门控变量的计算公式为：
$${\mathbf{g}}_f=\sigma ({\mathbf{W}}_f[{\mathbf{h}}_{t?1},{\mathbf{x}}_t]+{\mathbf{b}}_f)$$
其中：

• ${\mathbf{W}}_f$ 和 ${\mathbf{b}}_f$可由反向传播算法自动优化

• $\sigma$ 为激活函数，在遗忘门里多用 sigmoid 函数
  
  从示意图中可以看到，经过遗忘门后，LSTM 的状态向量为：
  $${\mathbf{g}}_f{\mathbf{c}}_{t?1}$$

• ${\mathbf{g}}_f$ = 1 时，遗忘门全部打开，LSTM接受上一个状态向量${\mathbf{c}}_{t?1}$的所有信息

• ${\mathbf{g}}_f$ = 0 时，遗忘门全部关闭，LSTM直接忽略一个状态向量${\mathbf{c}}_{t?1}$，输出 0 向量

3.2.3 输入门

输入门用于控制 LSTM 对输入${\mathbf{x}}_t$的接收程度。示意图如下：

计算步骤如下：

1. 对当前时间戳的输入${\mathbf{x}}_t$ 和上一个时间戳的输出${\mathbf{c}}_{t?1}$ 做非线性变换得到新的输入向量：
   $${\mathbf{c}}_t=tanh({\mathbf{W}}_c[{\mathbf{h}}_{t?1},{\mathbf{x}}_t]+{\mathbf{b}}_c)$$
   其中：

   • ${\mathbf{W}}_c$ 和$b_c$ 为输入门参数，通过反向传播算法自动优化
   • tanh 为激活函数

2. 求出门控变量：
   $${\mathbf{g}}_i=\sigma ({\mathbf{W}}_i[{\mathbf{h}}_{t?1},{\mathbf{x}}_t]+{\mathbf{b}}_i)$$
   其中：

   • ${\mathbf{W}}_i$和 ${\mathbf{b}}_i$ 为输入门参数，通过反向传播算法自动优化
   • σ 为 sigmoid 激活函数

3. 用门控变量对${\mathbf{c}}_t$进行约束：
   $${\mathbf{g}}_i{\mathbf{c}}_t$$

   • ${\mathbf{g}}_i$ = 1 时，LSTM 接受全部的新输入向量 ${\mathbf{c}}_t$
   • ${\mathbf{g}}_i$ = 0 时，LSTM 直接忽略新输入向量 ${\mathbf{c}}_t$

在遗忘门和输入门的控制下，状态向量 $c_t$ 的刷新方式为：
$${\mathbf{c}}_t={\mathbf{g}}_f{\mathbf{c}}_{t?1}+{\mathbf{g}}_i{\mathbf{c}}_t$$

3.2.4 输出门

LSTM 的内部状态向量 $$ 并不会直接用于输出，而是在输出门的作用下有选择性地输出。

输出门的示意图如下：

输出门门控变量的计算公式为：
$${\mathbf{g}}_o=\sigma ({\mathbf{W}}_o[{\mathbf{h}}_{t?1},{\mathbf{x}}_t]+{\mathbf{b}}_o)$$
LSTM 的输出为：
$${\mathbf{h}}_t={\mathbf{g}}_o?tanh({\mathbf{c}}_t)$$

• $g_o=1$ 时，输出门全部打开，LSTM的状态向量$c_t$ 全部用于输出
• $g_o=0$ 时，输出门全部关闭，输出中不包含 $c_t$

3.3 LSTM 优缺点

优点：

• 性能比基础 RNN 好，不容易出现梯度弥散
• 记忆能力比基础 RNN 好

缺点：

• 结构较复杂，参数量大，计算代价高

为了解决这一问题，提出了 GRU 结构。

4GRU

4.1 问题

• 为了解决LSTM的主要缺陷，GRU做出了什么改变？
• GRU的结构长什么样，工作原理是什么？

4.2 GRU结构

GRU 的主要设计思路为：把内部状态向量和输出向量合并，并减少门控数量。

其结构示意图如下：

GRU 的门控减少为两个：更新门和复位门。

4.2.1 复位门

复位门用于控制上一个时间戳的状态向量进入 GRU 结构的量。示意图如下：

门控变量的计算公式如下：
$${\mathbf{g}}_r=\sigma ({\mathbf{W}}_r[{\mathbf{h}}_{t?1},{\mathbf{x}}_t]+{\mathbf{b}}_r)$$

$${\mathbf{h}}_t=tanh({\mathbf{W}}_h[{\mathbf{g}}_r{\mathbf{h}}_{t?1},{\mathbf{x}}_t]+{\mathbf{b}}_c)$$

• gr = 1 时，${\mathbf{h}}_{t?1}$共同生成新输入${\mathbf{h}}_t$;
• gr = 0 时， ${\mathbf{h}}_t$全部由${\mathbf{x}}_t$产生，忽略了${\mathbf{h}}_{t?1}$，相当于复位${\mathbf{h}}_{t?1}$

4.2.2 更新门

更新门用控制上一时间戳的状态向量${\mathbf{h}}_{t?1}$和新输入${\mathbf{h}}_t$对新状态向量${\mathbf{h}}_t$的影响程度。

示意图如下：

门控变量的计算公式如下：
$${\mathbf{g}}_z=\sigma ({\mathbf{W}}_z[{\mathbf{h}}_{t?1},{\mathbf{x}}_t]+{\mathbf{b}}_z)$$
新状态向量${\mathbf{h}}_t$的计算公式为：
$${\mathbf{h}}_t=(1?{\mathbf{g}}_z){\mathbf{h}}_{t?1}+{\mathbf{g}}_z{\mathbf{h}}_t$$
可见，$1?{\mathbf{g}}_z$用于控制${\mathbf{h}}_{t?1}$

• ${\mathbf{g}}_z=0$ 时，${\mathbf{h}}_t$全部来自${\mathbf{h}}_{t?1}$
• ${\mathbf{g}}_z=1$时，${\mathbf{h}}_t$全部来自${\mathbf{h}}_t$

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖