RNN和LSTM的参数计算

RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。神经网络包含输入层、隐含层、输出层，通过**函数控制输出，层与层之间通过权值连接，在标准的RNN结构中，隐层的神经元之间也是带有权值的。也就是说，随着序列的不断推进，前面的隐层将会影响后面的隐层。
具体结构如下图，本文不再赘述。

这里主要写一下RNN中参数的计算：

再加上偏执值b，即可得到模型中参数总和。其中，h为隐含层单元，x为输入，y为输出。
例如，在手写字体识别中，用64层的隐含层网络（h），28维的输入（x），10个分类的输出（y），这里的参数总和就是：

最后加64加10即为隐含层和输出层的偏执值。

LSTM
LSTM是对RNN模型长期依赖的改进，通过三个门结构来实现信息的保护和控制。这三个门分别为输入门、遗忘门和输出门。
所以LSTM隐藏层参数是RNN的四倍，所以此LSTM网络的参数个数为：

同样再加上偏执值。即为参数的总值。理解LSTM的原理就不难理解这个公式。
同样，在手写字体识别中，用64层的隐含层网络（h），28维的输入（x），10个分类的输出（y），这里的参数总和就是：

以上即为RNN和LSTM的参数总和计算。