*大学深度学习课程 学习笔记 Lecture 5-1: Gated RNN（LSTM与GRU介绍）

以下内容和图片均来自*大学深度学习课程。
课程地址：https://www.csie.ntu.edu.tw/~yvchen/f106-adl/syllabus.html

Review

首先复习一下 lecture3-1 Recurrent Neural Network 讲过的RNN结构。

RNN

假设现在有3个sequence表示为 x1、x2、x3，设定的初始化向量 h0 ；将 x1 与h0放入function f 中，得到 y1 与 h1，h1是和h0 维度一样的；把 x2 与 h1 放入与之前一样的 f 中，得到结果y2 与 h2；继续直到完成全部的sequence。

Deep RNN

上面说的方法只有一个隐藏层，RNN当然也可以是多个隐藏层的Deep RNN。如下图，输出的 y1 结果可以和另一个初始化的向量 b0 放到另一个function f2 中，得到 c1 与 b1 ，然后继续……

Bidirectional RNN 双向

首先从 x1 到 x3 正向跑出一个结果 a1,a2,a3。

然后再从 x3 到 x1 反向跑出一个结果c1,c2,c3。

最后将结果 a1,a2,a3 与 c1,c2,c3 对应地放入新function f3 中，得到最终的结果 y1,y2,y3 。

基本单元

详细看一下RNN中的具体重复模块中的计算方法，首先得到 h′=σ(Whh+Wix) ，再计算得到 y=σ(Woh′) 。如果 y 是输出层，需要经过softmax计算。其中参数 Wh,Wi,Wo 是循环*用的。
以上没有考虑bias。

LSTM

长短期记忆（Long Short-Term Memory, LSTM）是一种时间递归神经网络(RNN)，论文首次发表于1997年。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
LSTM的表现通常比时间递归神经网络及隐马尔科夫模型（HMM）更好。 ——*

之前讲过RNN的一个局限性，在RNN循环中，往往前面的word对后面word影响很小，但有时前面的word对后面的word却起着比较重要的作用。
比如I grew up in France... I speak fluent French，France与French相距较远，但关系却很近。这里就引入了LSTM。

其实LSTM的整体框架结构与普通的RNN很相似，只不过具体到每个单元上时，结构稍微复杂一些（假设一个单元就是循环中的一个神经网络结构）。

首先的区别，LSTM将RNN中的 h 分成了两部分，c 与 h。c 变化的慢， h 变化的快。

然后，LSTM每个单元由四个不同的 z 经过不同的计算组合而成 。
如下图，将 xt 与 ht−1 两个向量进行合并，得到一个新的向量。然后与对应的权重相乘后，使用 tanh 当做**函数，进行非线性转换，最终得到 z 。
同样的方法处理 zf,zi,zo，分别对应input gate、forget gate、output gate。

需要注意的是 zf,zi,zo 使用的**函数是 sigmoid ，与第一个不同。

为了更好的理解上面的内容，引入一段话：

LSTM最核心的部分是cell state，即图中的 ct。ct的信息贯穿整个LSTM， 在整个前向传播的过程中只在ct上进行一些简单的线性操作，通过gate(门)来控制 ct中信息的增减。

LSTM中有三个门，分别是forget gate、input gate和output gate， 这三个门的计算方法公式一样，都是根据xt 与 ht−1来计算， 区别在于权重矩阵和偏置不同。 ——RNN隐藏层计算之GRU和LSTM

最后，就是下一层的计算了下面的公式承载了先辈们无穷的智慧，其中 ⊙ 含义如下：

s⊙t （Hadamard积）表示两个向量的对应元素相乘，例如：

[12]⊙[34]=[1∗32∗4]=[38]

为什么要用 ⊙ 呢？ 首先多个 z 的**函数是 sigmoid 函数，这就导致它们的数据结果是在0与1之间的值。上面说过这些 z 分别代表了input gate、forget gate、output gate。通过 ⊙ 这种方式正好可以近似实现是或否的gate作用。从而可以决定需要forget多少上一个word的信息。

另外，从上面公式可以看出来，从 ct−1 到 ct 是线性的转换关系，改变较小；而从 ht−1 到 ht 是一系列非线性的复杂转换，改变较大。

下面是多个单元之间的样子。

当然，LSTM还有很多变种，其中一个就是在 z 的计算中加入 ct−1 。把 ct−1 、 xt 与 ht−1 一起合并成一个新的向量。但是在与 W 中需要与 ct−1 相乘的部分是对角矩阵的形式，这种方式称为peephole。这样的话，在后面的计算中， ct−1 的一个维度只影响对应的 z 的一个维度，对结果的影响是比较小的，比较不容易造成过拟合。

GRU

当然，RNN循环中的每个单元除了LSTM的构造，还可以有其他设计。GRU（Gated Recurrent Units）就是另一种设计。

首先，GRU只有 h，并没有分为h 和 c。下图中，左下角是LSTM的结构，右边较大的图是GRU的结构。

1. xt 与 ht−1 组成新的向量，将新向量乘以处理后生成reset gate r 和update gate z ；
2. r 与 ht−1 通过公式 r⊙ht−1 生成结果后，与 xt 进行整合得到 h′ ;
3. 通过公式 ht=z⊙ht−1+(1−z)⊙h′ 最终得到 ht 。最后由 ht 得到 yt 。
   

LSTM与GRU比较

1. 从结构图中，输入端箭头来看，LSTM*生成了4个 z 需要4份参数 。而GRU输入端少用1份分数；
2. 从公式比较来看，GRU中的update gate其实相当于LSTM中 forget gate与input gate 的结合；

文献解读

LSTM经过各种处理后效果

下面这张图是从文章 LSTM: A Search Space Odyssey 结果中整理做出的。
图中X轴是误差，Y轴是训练时间。位于图中右上角的点，是耗时较久但效果不好的，相对较差的点。

具体每个点指的是经过不同方式处理的LSTM，经过训练后，所需时间与表现效果的关系，V代表标准的LSTM。下面是简单介绍，具体请点击上面文章链接查看。
比如右边误差较大的青色的点，对应的是NOAF ，具体含义是 “没有输出**函数”，也就是没有上面介绍的 zo 。
其中，CIFG 是将input gate与forget gate 融合到了一起，其实就是GRU，效果还不错。

下面这张图可以比较容易进行查看，柱子高度代表参数数量（参数数量决定训练时间），箱型表示效果。可以得到以下结果：

• 标准的LSTM表现效果其实还挺好的；
• CIFG 与 NP 这种简单的处理，相较于标准LSTM，对结果影响不大；
• 去掉 gate 影响比较大，文章中的影响大小为 forget gate > input gate > output gate；
• 如果把output activation function去掉，会导致模型几乎无法使用。

后面效果较差的基本上都是缺少了某些gate 的处理方式。

另外还讲了两篇文献， An Empirical Exploration of Recurrent Network Architectures 其实内容结果与上面讲的文献相似。
谷歌的 Neural Architecture Search with Reinforcement Learning 使用的是另一套架构，如下图。左边是普通的LSTM，右边是强化学习（Reinforcement Learning）架构。

这里老师也没有展开讲，以后有机会单独写成文献分享吧。