1. 概述

在循环神经网络RNN一文中提及到了循环神经网络RNN存在长距离依赖的问题，长短期记忆（Long Short-Term Memory，LSTM）网络便是为了解决RNN中存在的梯度爆炸的问题而提出。在LSTM网络中，主要依靠引入“门”机制来控制信息的传播。

2. 算法原理

2.1. LSTM的网络结构

LSTM的网络结构如下所示（图片来自参考文献）：

与循环神经网络RNN相比，LSTM的网络结构要复杂的多。

在LSTM网络中，通过引入三个门来控制信息的传递，这三个门分别为遗忘门（forget gate），输入门（input gate）和输出门（output gate）。门机制是LSTM中重要的概念，那么什么是“门”以及门机制在LSTM中是如何解决长距离依赖的问题的。

2.2. 门机制

现实中的“门”通常解释为出入口，在LSTM网络的门也是一种出入口，但是是控制信息的出入口。门的状态通常有三种状态，分别为全开（信息通过概率为1），全闭（信息通过概率为0）以及半开（信息通过概率介于0和1之间）。在这里，我们发现对于全开，全闭以及半开三种状态下的信息通过可以通过概率来表示，在神经网络中，sigmoid函数也是一个介于0和1之间的表示，可以应用到LSTM中门的计算中。

2.3. LSTM的计算过程

如下是LSTM的网络结构的具体形态，如下所示（图片来自邱锡鹏老师的课件）：

其中，ct−1c_{t-1}ct−1表示的是t−1t-1t−1时刻的cell state（注：关于cell state，查了多个版本的中文翻译，有翻译为“细胞状态”，有翻译成“单元状态”，邱老师使用的是内部状态，没有一个明确的中文翻译，故在此使用英文），ht−1h_{t-1}ht−1表示的是t−1t-1t−1时刻的hidden state（注：与前面的cell state对应），xtx_txt表示的是ttt时刻的输入，ftf_tft表示的是遗忘门，iti_tit表示的是输入门，c~t\tilde{c}_tc~t表示的是候选值（candidate values），oto_tot表示的是输出门。

从图中的数据流向得到的计算流程如下所示：

利用t−1t-1t−1时刻的hidden state ht−1h_{t-1}ht−1计算遗忘门ftf_tft的结果，ftf_tft的计算公式如下所示

ft=σ(Wfxt+Ufht−1+bf)f_t=\sigma \left ( W_fx_t+U_fh_{t-1}+b_f \right )ft=σ(Wfxt+Ufht−1+bf)

利用t−1t-1t−1时刻的hidden state ht−1h_{t-1}ht−1计算输入门iti_tit的结果，iti_tit的计算公式如下所示

it=σ(Wixt+Uiht−1+bi)i_t=\sigma \left ( W_ix_t+U_ih_{t-1}+b_i \right )it=σ(Wixt+Uiht−1+bi)

利用t−1t-1t−1时刻的hidden state ht−1h_{t-1}ht−1计算候选值c~t\tilde{c}_tc~t的结果，c~t\tilde{c}_tc~t的计算公式如下所示

c~t=tanh(Wcxt+Ucht−1+bc)\tilde{c}_t=tanh \left ( W_cx_t+U_ch_{t-1}+b_c \right )c~t=tanh(Wcxt+Ucht−1+bc)

利用t−1t-1t−1时刻的hidden state ht−1h_{t-1}ht−1计算输出门oto_tot的结果，oto_tot的计算公式如下所示

ot=σ(Woxt+Uoht−1+bo)o_t=\sigma \left ( W_ox_t+U_oh_{t-1}+b_o \right )ot=σ(Woxt+Uoht−1+bo)

根据ttt时刻的cell state ctc_tct，这里会使用到t−1t-1t−1时刻的cell state ct−1c_{t-1}ct−1，遗忘门ftf_tft，输入门iti_tit和候选值c~t\tilde{c}_tc~t，ctc_tct的计算公式如下所示

ct=ft⊙ct−1+it⊙c~tc_t=f_t\odot c_{t-1}+i_t\odot \tilde{c}_tct=ft⊙ct−1+it⊙c~t

上述的公式是由前面的1，2，3部分的公式组成，也是LSTM网络中的关键的部分，对该公式，我们从如下的几个部分来理解：

ft⊙ct−1f_t\odot c_{t-1}ft⊙ct−1，使用遗忘门ftf_tft对t−1t-1t−1时刻下的cell state ct−1c_{t-1}ct−1遗忘；
it⊙c~ti_t\odot \tilde{c}_tit⊙c~t，首先是c~t\tilde{c}_tc~t表示的是通过ttt时刻的输入和t−1t-1t−1时刻的hidden state ht−1h_{t-1}ht−1需要增加的信息，与输入门iti_tit结合起来就表示整体需要增加的信息；
两部分结合表示的是ttt时刻下的cell state下需要从t−1t-1t−1时刻下的cell state中保留的部分信息以及ttt时刻下新增信息的总和。

根据输出门oto_tot和cell state ctc_tct计算外部状态hth_tht，hth_tht的计算公式如下所示

ht=ot⊙tanh(ct)h_t=o_t\odot tanh\left ( c_t \right )ht=ot⊙tanh(ct)

参考文献

Understanding LSTM Networks
LSTM与GRU的原理，不熟悉的再来看看呀
神经网络与深度学习
人人都能看懂的LSTM

深度学习算法原理——LSTM相关推荐

Python大数据综合应用：零基础入门机器学习、深度学习算法原理与案例
机器学习.深度学习算法原理与案例实现暨Python大数据综合应用高级研修班一.课程简介课程强调动手操作:内容以代码落地为主,以理论讲解为根,以公式推导为辅.共4天8节,讲解机器学习和深度学习的模型 ...
TensorFlow深度学习算法原理与编程实战人工智能机器学习技术丛书
作者:蒋子阳著出版社:中国水利水电出版社品牌:智博尚书出版时间:2019-01-01 TensorFlow深度学习算法原理与编程实战人工智能机器学习技术丛书 ISBN:97875170682 ...
深度学习算法原理_用于对象检测的深度学习算法的基本原理
深度学习算法原理 You just got a new drone and you want it to be super smart! Maybe it should detect whether ...
ZAO 背后的深度学习算法原理浅析
ZAO最近火爆,成为现象级产品之一,引起大家的广泛关注,ATA上面已经有同学做了一些说明分析,链接如下: https://www.atatech.org/articles/148375?spm=ata ...
DL之模型调参：深度学习算法模型优化参数之对LSTM算法进行超参数调优
DL之模型调参:深度学习算法模型优化参数之对LSTM算法进行超参数调优目录基于keras对LSTM算法进行超参数调优 1.可视化LSTM模型的loss和acc曲线
大话卷积神经网络CNN，小白也能看懂的深度学习算法教程，全程干货建议收藏！...
来源 | 程序员管小亮本文创作的主要目的,是对时下最火最流行的深度学习算法的基础知识做一个简介,作者看过许多教程,感觉对小白不是特别友好,尤其是在踩过好多坑之后,于是便有了写这篇文章的想法. 由于文 ...
一文梳理深度学习算法演进
来源:https://zhuanlan.zhihu.com/p/464515049 作者:Peter潘欣编辑:蘑菇先生学习记涉及语音.图像.nlp.强化学习.隐私保护.艺术创作.目标检测.医疗.压 ...
平均年薪30万的深度学习算法工程师，正面临100万的人才缺口
深度学习的突破极大推动了人工智能的发展,并广泛应用在计算机视觉.自然语言处理等领域中.谷歌.百度的IDL.腾讯的AI lab.华为等都在重金布局人工智能,同时,以深度学习为核心技术的人工智能企业不断涌 ...
人工智能综述性论文_人工智能论文研读：深度学习算法与架构综述（包含详细统计表）...
综述一共26页总体内容概括本文综述了几种提高训练精度和缩短训练时间的优化方法.深入研究了最近深度网络中使用的训练算法背后的数学原理.将描述当前的缺点.增强和实现.本文还介绍了深度卷积网络.深度残差 ...

深度学习算法原理——LSTM