LSTM网络结构
1.介绍
假设词向量长度为128,隐含层神经元个数为256。LSTM中引入3个门,即输入门、遗忘门、输出门;及其他组件:候选记忆细胞、记忆细胞。
2.时间t时候:各个组件(3个门+候选记忆细胞、记忆细胞)
如上图所示,对于每个组件有:
(1)
输入门:
遗忘门:
输出门:
候选记忆细胞:
其中,为长度为128的向量;为128x256的矩阵;为256x256的矩阵;为长度为256的向量;以上每个组件的时间结果都是长度为256的向量(输入都是,最后都是加上后,经过**函数)。
(2)
记忆细胞:
其中,是元素乘法符号,即左边2向量的每个元素相乘,右边2向量的每个元素相乘,都是256的向量,然后结果相加为新的256向量(时间时候,结果是长度为256的向量)。记忆细胞由:遗忘门上一个记忆细胞、输入门候选记忆细胞决定。
通过输出门控制从记忆细胞到隐藏状态的信息流动:
隐含层由:输出门 tanh 记忆细胞决定。
3.补充:多层的lstm及pytorch中的lstm
(1)多层的lstm:
以上为时间时候的计算流程,实际上,LSTM的输出为所有时间步的结果,并且上面显示的是一个完整的lstm的过程的时间步t步骤,如果走完所有t则是一层的lstm。而多层的lstm指的是,假设是2层:在每个时间步t时候,第1层的输出结果都是作为输入进入第2层的lstm(即上图的虚线部分是第1层的输出结果,注意区别:上一个时间步t-1的情况),而网络最终的输出为第2层lstm的输出。
(2)在pytorch中的lstm:
nn.LSTM(词向量长度, 隐含层神经元个数, dropout(发生在处,并且最后一个时间t不发生), num_layers(lstm的层数),batch_first=True(批量放在第1维度,这样输出的数据批量在第一维度)),并且以上的四个组件(输入门、遗忘门、输出门和候选记忆细胞)的参数等,如:=128x256的矩阵被统一为一个,但是长度为原来的四倍,即=128x1024=128x[256x4]。
参考
http://zh.gluon.ai/chapter_recurrent-neural-networks/lstm.html
https://discuss.pytorch.org/t/num-layers-in-nn-lstm/11664/3