Pytorch LSTM 长短期记忆网络

0. 环境介绍

环境使用 Kaggle 里免费建立的 Notebook

教程使用李沐老师的动手学深度学习网站和视频讲解

小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。

1. LSTM

LSTM 的设计灵感来自于计算机的逻辑门。
LSTM 引入了记忆单元(Memory cell)。
有些文献认为记忆单元是隐状态的一种特殊类型，它们与隐状态具有相同的形状，其设计的目的是用于记录附加的信息。LSTM 使用门控结构控制记忆单元。

在 LSTM 网络中，记忆单元 ccc 可以在某个时刻捕捉到某个关键信息，并有能力将此关键信息保存一定的时间间隔。记忆单元 ccc 中保存信息的生命周期要长于短期记忆 hhh，但又远远短于长期记忆， 长短期记忆是指长的 “短期记忆”。因此称为长短期记忆（Long Short-Term Memory）。

2. 门

遗忘门：ftf_tft 通过上一时刻隐状态 ht−1h_{t-1}ht−1 和当前输入 xtx_txt 控制上一时刻记忆单元 ct−1c_{t-1}ct−1 需要遗忘多少信息。
输入门：iti_tit 控制当前时刻的候选记忆单元 c~t\widetilde{c}_tct 有多少信息需要保存。
输出门：oto_tot 控制当前时刻的记忆单元 ctc_tct 有多少信息需要输出给当前隐状态 hth_tht。

公式表示：

3. 从零开始实现代码

3.0 导包

!pip install -U d2l
import torch
from torch import nn
from d2l import torch as d2l

3.1 加载数据集

设置批量大小和步数

batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)

3.2 初始化模型参数

def get_lstm_params(vocab_size, num_hiddens, device):num_inputs = num_outputs = vocab_sizedef normal(shape):return torch.randn(size=shape, device=device)*0.01def three():return (normal((num_inputs, num_hiddens)),normal((num_hiddens, num_hiddens)),torch.zeros(num_hiddens, device=device))W_xi, W_hi, b_i = three()  # 输入门参数W_xf, W_hf, b_f = three()  # 遗忘门参数W_xo, W_ho, b_o = three()  # 输出门参数W_xc, W_hc, b_c = three()  # 候选记忆单元参数# 输出层参数W_hq = normal((num_hiddens, num_outputs))b_q = torch.zeros(num_outputs, device=device)# 附加梯度params = [W_xi, W_hi, b_i, W_xf, W_hf, b_f, W_xo, W_ho, b_o, W_xc, W_hc,b_c, W_hq, b_q]for param in params:param.requires_grad_(True)return params

3.3 初始状态函数

在初始化函数中，长短期记忆网络的隐状态需要返回一个额外的记忆单元，单元的值为 000，形状为（批量大小，隐藏单元数）。因此，我们得到以下的状态初始化。

def init_lstm_state(batch_size, num_hiddens, device):return (torch.zeros((batch_size, num_hiddens), device=device),torch.zeros((batch_size, num_hiddens), device=device))

3.4 定义模型

其中要注意：@ 表示矩阵乘法，* 和 + 表示矩阵 point-wise 计算。

def lstm(inputs, state, params):[W_xi, W_hi, b_i, W_xf, W_hf, b_f, W_xo, W_ho, b_o, W_xc, W_hc, b_c,W_hq, b_q] = params(H, C) = stateoutputs = []for X in inputs:I = torch.sigmoid((X @ W_xi) + (H @ W_hi) + b_i)F = torch.sigmoid((X @ W_xf) + (H @ W_hf) + b_f)O = torch.sigmoid((X @ W_xo) + (H @ W_ho) + b_o)C_tilda = torch.tanh((X @ W_xc) + (H @ W_hc) + b_c)C = F * C + I * C_tildaH = O * torch.tanh(C)Y = (H @ W_hq) + b_qoutputs.append(Y)return torch.cat(outputs, dim=0), (H, C)

3.5 训练预测

vocab_size, num_hiddens, device = len(vocab), 256, d2l.try_gpu()
num_epochs, lr = 500, 1
model = d2l.RNNModelScratch(len(vocab), num_hiddens, device, get_lstm_params,init_lstm_state, lstm)
d2l.train_ch8(model, train_iter, vocab, lr, num_epochs, device)

4. 简洁实现

使用 nn.LSTM，训练更快：

num_inputs = vocab_size
lstm_layer = nn.LSTM(num_inputs, num_hiddens)
model = d2l.RNNModel(lstm_layer, len(vocab))
model = model.to(device)
d2l.train_ch8(model, train_iter, vocab, lr, num_epochs, device)

Q & A

Pytorch LSTM 长短期记忆网络相关推荐

深度学习 LSTM长短期记忆网络原理与Pytorch手写数字识别
深度学习 LSTM长短期记忆网络原理与Pytorch手写数字识别一.前言二.网络结构三.可解释性四.记忆主线五.遗忘门六.输入门七.输出门八.手写数字识别实战 8.1 引入依赖库 8. ...
RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测
全文链接:http://tecdat.cn/?p=25133 2017 年年中,R 推出了 Keras 包 _,_这是一个在 Tensorflow 之上运行的综合库,具有 CPU 和 GPU 功能(点 ...
【思维导图】利用LSTM(长短期记忆网络)来处理脑电数据
文章来源| 脑机接口社区群友认知计算_茂森的授权分享在此非常感谢认知计算_茂森! 本篇文章主要通过思维导图来介绍利用LSTM(长短期记忆网络)来处理脑电数据. 文章的内容来源于社区分享的文章&l ...
利用LSTM(长短期记忆网络)来处理脑电数据
目录 LSTM 原理介绍 LSTM的核心思想一步一步理解LSTM 代码案例本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 .QQ交流群:903290195 Rose小哥今天介绍一下用LS ...
Maltab GUI课程设计——LSTM长短期记忆网络回归预测
文章目录课程设计平台:Matlab App designer 功能实现:LSTM长短期记忆网络回归预测目的: 演示: 欢迎交流课程设计平台:Matlab App designer 功能实现: ...
神经网络学习笔记3——LSTM长短期记忆网络
目录 1.循环神经网络 1.1循环神经网络大致结构 1.2延时神经网络(Time Delay Neural Network,TDNN) 1.3按时间展开 1.4反向传播 1.5 梯度消失,梯度爆炸 2 ...
LSTM(长短期记忆网络)原理介绍
相关学习资料: Pytorch:RNN.LSTM.GRU.Bi-GRU.Bi-LSTM.梯度消失.爆炸难以置信!LSTM和GRU的解析从未如此清晰 RNN_了不起的赵队-CSDN博客_rnn 如何从 ...
LSTM(长短期记忆网络)原理与在脑电数据上的应用
LSTMs(Long Short Term Memory networks,长短期记忆网络)简称LSTMs,很多地方用LSTM来指代它.本文也使用LSTM来表示长短期记忆网络.LSTM是一种特殊的RN ...
LSTM -长短期记忆网络(RNN循环神经网络)
文章目录基本概念及其公式输入门.输出门.遗忘门候选记忆元记忆元隐状态从零开始实现 LSTM 初始化模型参数定义模型训练和预测简洁实现小结基本概念及其公式 LSTM,即(long ...

Pytorch LSTM 长短期记忆网络

Pytorch LSTM 长短期记忆网络

0. 环境介绍

1. LSTM

2. 门

3. 从零开始实现代码

3.0 导包

3.1 加载数据集

3.2 初始化模型参数

3.3 初始状态函数

3.4 定义模型

3.5 训练预测

4. 简洁实现

Q & A

Pytorch LSTM 长短期记忆网络相关推荐

最新文章

热门文章