版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/love__live1/article/details/79481281
机器学习算法完整版见fenghaootong-github
循环神经网络原理(RNN)
- RNN是在自然语言处理领域中最先被用起来的
- 语言模型就是这样的东西:给定一个一句话前面的部分,预测接下来最有可能的一个词是什么。
- 简单的循环神经网络由输入层、一个隐藏层和一个输出层组成:
- x是一个向量,它表示输入层的值(这里面没有画出来表示神经元节点的圆圈);
- s是一个向量,它表示隐藏层的值(这里隐藏层面画了一个节点,这一层其实是多个节点,节点数与向量s的维度相同);
- U是输入层到隐藏层的权重矩阵;
- o也是一个向量,它表示输出层的值;
- V是隐藏层到输出层的权重矩阵。
- 循环神经网络的隐藏层的值s不仅仅取决于当前这次的输入x,还取决于上一次隐藏层的值s。
- 权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重。
展开后:
- f,g都是激活函数
- 第一个式子是全连接层,第二个式子是循环层
- 循环层和全连接层的区别就是循环层多了一个权重矩阵 W。
循环神经网络的训练
- 前向计算每个神经元的输出值 ( 表示网络的第j个神经元,以下同);
- 反向计算每个神经元的误差项 在有的文献中也叫做敏感度(sensitivity)。它实际上是网络的损失函数 对神经元加权输入的偏导数
- 计算每个神经元连接权重
的梯度(
表示从神经元i连接到神经元j的权重)
- 最后,根据梯度下降法则更新每个权重即可。
长短时记忆网络(LSTM)
RNN有个缺点就是很难处理长距离依赖,就是记性差,LSTM成功解决了原始RNN的缺陷
原始的RNN隐藏层只有一个状态,现在再增加一个状态c,让它保存长期的状态
LSTM的输入有三个:
- :当前时刻网络的输入值
- :上一时刻LSTM的输出值
- :上一时刻的单元状态
LSTM的输出有两个:
- :当前时刻LSTM输出值
- : 当前时刻的单元状态
LSTM的关键,就是怎样控制长期状态c。在这里,LSTM的思路是使用三个控制开关。第一个开关,负责控制继续保存长期状态c;第二个开关,负责控制把即时状态输入到长期状态c;第三个开关,负责控制是否把长期状态c作为当前的LSTM的输出。
前向计算
实现开关的算法,就是门,门实际上就是一层全连接层,它的输入是一个向量,输出是一个0到1之间的实数向量。假设W是门的权重向量,b是偏置项,那么门可以表示为:
是激活函数,值域为(0,1)
LSTM用两个门控制单元状态c的内容:
- 遗忘门:决定了上一时刻的单元状态
有多少保留到当前时刻
- 输入门:决定了当前时刻网络的输入
有多少保存到单元状态
输出门控制单元状态 有多少输出到当先输出值
遗忘门:
输入门:
当前输入状态 :
当前时刻的单元状态 :
表示按元素乘
输出门:
最终输出:
实例