长短时记忆网络(LSTM)的训练
长短时记忆网络的训练
熟悉我们这个系列文章的同学都清楚,训练部分往往比前向计算部分复杂多了。LSTM的前向计算都这么复杂,那么,可想而知,它的训练算法一定是非常非常复杂的。现在只有做几次深呼吸,再一头扎进公式海洋吧。
LSTM训练算法框架
LSTM的训练算法仍然是反向传播算法,对于这个算法,我们已经非常熟悉了。主要有下面三个步骤:
- 前向计算每个神经元的输出值,对于LSTM来说,即ft、it、ct、ot、ht五个向量的值。计算方法已经在上一节中描述过了。
- 反向计算每个神经元的误差项δ值。与循环神经网络一样,LSTM误差项的反向传播也是包括两个方向:一个是沿时间的反向传播,即从当前t时刻开始,计算每个时刻的误差项;一个是将误差项向上一层传播。
- 根据相应的误差项,计算每个权重的梯度。
关于公式和符号的说明
首先,我们对推导中用到的一些公式、符号做一下必要的说明。
接下来的推导中,我们设定gate的激活函数为sigmoid函数,输出的激活函数为tanh函数。他们的导数分别为:
从上面可以看出,sigmoid和tanh函数的导数都是原函数的函数。这样,我们一旦计算原函数的值,就可以用它来计算出导数的值。
LSTM需要学习的参数共有8组,分别是:遗忘门的权重矩阵Wf和偏置项bf、输入门的权重矩阵Wi和偏置项bi、输出门的权重矩阵Wo和偏置项bo,以及计算单元状态的权重矩阵Wc和偏置项bc。因为权重矩阵的两部分在反向传播中使用不同的公式,因此在后续的推导中,权重矩阵Wf、Wi、Wc、Wo都将被写为分开的两个矩阵:Wfh、Wfx、Wih、Wix、Woh、Wox、Wch、Wcx。
我们解释一下按元素乘∘符号。当∘作用于两个向量时,运算如下:
当∘作用于一个向量和一个矩阵时,运算如下:
当∘作用于两个矩阵时,两个矩阵对应位置的元素相乘。按元素乘可以在某些情况下简化矩阵和向量运算。例如,当一个对角矩阵右乘一个矩阵时,相当于用对角矩阵的对角线组成的向量按元素乘那个矩阵:
当一个行向量右乘一个对角矩阵时,相当于这个行向量按元素乘那个矩阵对角线组成的向量:
上面这两点,在我们后续推导中会多次用到。
在t时刻,LSTM的输出值为ht。我们定义t时刻的误差项δt为:
注意,和前面几篇文章不同,我们这里假设误差项是损失函数对输出值的导数,而不是对加权输入netlt的导数。因为LSTM有四个加权输入,分别对应ft、it、ct、ot,我们希望往上一层传递一个误差项而不是四个。但我们仍然需要定义出这四个加权输入,以及他们对应的误差项。
误差项沿时间的反向传递
沿时间反向传递误差项,就是要计算出t-1时刻的误差项δt−1。
我们知道,∂ht∂ht−1是一个Jacobian矩阵。如果隐藏层h的维度是N的话,那么它就是一个N×N矩阵。为了求出它,我们列出ht的计算公式,即前面的式6和式4:
显然,ot、ft、it、c~t都是ht−1的函数,那么,利用全导数公式可得:
下面,我们要把式7中的每个偏导数都求出来。根据式6,我们可以求出:
根据式4,我们可以求出:
因为:
我们很容易得出:
将上述偏导数带入到式7,我们得到:
根据δo,t、δf,t、δi,t、δc~,t的定义,可知:
式8到式12就是将误差沿时间反向传播一个时刻的公式。有了它,我们可以写出将误差项向前传递到任意k时刻的公式:
将误差项传递到上一层
我们假设当前为第l层,定义l-1层的误差项是误差函数对l-1层加权输入的导数,即:
本次LSTM的输入xt由下面的公式计算:
上式中,fl−1表示第l-1层的激活函数。
因为netlf,t、netli,t、netlc~,t、netlo,t都是xt的函数,xt又是netl−1t的函数,因此,要求出E对netl−1t的导数,就需要使用全导数公式:
式14就是将误差传递到上一层的公式。
权重梯度的计算
对于Wfh、Wih、Wch、Woh的权重梯度,我们知道它的梯度是各个时刻梯度之和(证明过程请参考文章零基础入门深度学习(5) - 循环神经网络),我们首先求出它们在t时刻的梯度,然后再求出他们最终的梯度。
我们已经求得了误差项δo,t、δf,t、δi,t、δc~,t,很容易求出t时刻的Woh、的Wih、的Wfh、的Wch:
将各个时刻的梯度加在一起,就能得到最终的梯度:
对于偏置项bf、bi、bc、bo的梯度,也是将各个时刻的梯度加在一起。下面是各个时刻的偏置项梯度:
下面是最终的偏置项梯度,即将各个时刻的偏置项梯度加在一起:
对于Wfx、Wix、Wcx、Wox的权重梯度,只需要根据相应的误差项直接计算即可:
以上就是LSTM的训练算法的全部公式。因为这里面存在很多重复的模式,仔细看看,会发觉并不是太复杂。
当然,LSTM存在着相当多的变体,读者可以在互联网上找到很多资料。因为大家已经熟悉了基本LSTM的算法,因此理解这些变体比较容易,因此本文就不再赘述了。
长短时记忆网络(LSTM)的训练相关推荐
- 小常识10: 循环神经网络(RNN)与长短时记忆网络LSTM简介。
小常识10: 循环神经网络(RNN)与长短时记忆网络LSTM简介. 本文目的:在计算机视觉(CV)中,CNN 通过局部连接/权值共享/池化操作/多层次结构逐层自动的提取特征,适应于处理如图片类的网格 ...
- 【深度学习理论】(7) 长短时记忆网络 LSTM
大家好,今天和各位分享一下长短时记忆网络 LSTM 的原理,并使用 Pytorch 从公式上实现 LSTM 层 上一节介绍了循环神经网络 RNN,感兴趣的可以看一下:https://blog.csdn ...
- 深度学习(7) - 长短时记忆网络(LSTM)
长短时记忆网络是啥 我们首先了解一下长短时记忆网络产生的背景.回顾一下零基础入门深度学习(5) - 循环神经网络中推导的,误差项沿时间反向传播的公式: 我们可以根据下面的不等式,来获取的模的上界(模可 ...
- 长短时记忆神经网络python代码_零基础入门深度学习(6) - 长短时记忆网络(LSTM)
无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,作为一个有理想有追求的程序员,不懂深度学习(Deep Learning)这个超热的技术,会不会感觉马上就o ...
- 深度学习之长短时记忆网络(LSTM)
本文转自<零基础入门深度学习>系列文章,阅读原文请移步这里 之前我们介绍了循环神经网络以及它的训练算法.我们也介绍了循环神经网络很难训练的原因,这导致了它在实际应用中,很难处理长距离的依赖 ...
- 长短时记忆网络LSTM
网络介绍 长短时记忆网络(Long short time memory network, LSTM)是RNN的重要变体,解决了RNN无法长距离依赖的问题,同时缓了RNN的梯度爆炸问题.LSTM由遗忘门 ...
- 长短时记忆网络(LSTM)部分组件(六)
在前面的几篇文章中试着实现了CNN,RNN的一些组件,这里继续学习LSTM,也是是实现部分组件,旨在学习其LSTM的原理. 具体参考: https://www.zybuluo.com/hanbingt ...
- 深度学习代码实战演示_Tensorflow_卷积神经网络CNN_循环神经网络RNN_长短时记忆网络LSTM_对抗生成网络GAN
前言 经过大半年断断续续的学习和实践,终于将深度学习的基础知识看完了,虽然还有很多比较深入的内容没有涉及到,但也是感觉收获满满.因为是断断续续的学习做笔记写代码跑实验,所以笔记也零零散散的散落在每个角 ...
- 多元经验模态分解_交通运输|基于小波分解和长短时记忆网络的地铁进站量短时预测...
山东科学 ›› 2019, Vol. 32 ›› Issue (4): 56-63.doi: 10.3976/j.issn.1002-4026.2019.04.008 摘要: 针对城市地铁车站进站客流 ...
最新文章
- python--内置函数
- 商品领域ddd_DDD领域驱动实战 - 限界上下文(bounded context)
- OpenCV的HOG+SVM训练程序注意事项
- 2020-12-22 一些有用的开源软件
- 免gre美国计算机硕士,美国硕士免GRE/GMAT的学校-计算机篇
- ui uview 安卓开发_uni-app UI框架之uview-ui使用教程
- ad19原理图标注_AD19中原理图的模板如何进行编辑?
- 征服用计算机弹法,征服WIN7
- 7-134 敲笨钟 (20 分)
- bes2300 tws配对_tws 耳机春天来了!
- 6个web前端核心技术,你学到哪个了呢?
- Wpf之元素绑定元素属性
- postgress无法远程连接问题解决方案
- 共享单车调度_共享单车的调度算法
- usb计算机连接 灰色,USB调试选项显示为灰色
- ISP PIPLINE Denoise 之 space domain denoise 空域降噪
- U盘只能读,不能写,不能删,也不能格式化的处理
- windows cmd打开新窗口关闭窗口
- 删除用户 userdel
- SSD算法的改进版之R-SSD
热门文章
- 酷派CPB升级文件封包解包
- 中小型医院网络安全保障解决方案
- 基于javaee的电影碟片租赁管理系统的设计与实现
- 浏览器插件配合高速多线程下载器
- 视频教程-YOLOv3目标检测:原理与源码解析-计算机视觉
- LSU——1116Necklace(尺取)
- uniapp云开发云函数获取微信openid
- YAML格式检查与转换
- 由于文件许可权错误,word无法完成保存操作 解决
- CS0016: 未能写入输出文件...\App_Web_default.aspx.cdcab7d2.zii776dc.dll”--拒绝访问。 解决方法