LSTM 长短时记忆网络
作者:互联网
目录
LSTM 长短记忆网络
LSTM 是 RNN 的升级版,应用更广泛。
解决的问题:
增加控制参数C,保留有价值的信息;
C 可以看做一个权重列表:[0, 0.1, 0.8, 1] 舍弃,小部分保留,大部分保留,全部保留。
LSTM 的重点是 控制参数怎么更新
如何训练C参数?
门是一种让信息选择式通过的方法
Sigmoid 神经网络层和一乘法操作
Sigmoid 公式:
$ g(z) = \frac{1}{1 + e^{-z}}$
Sigmoid 在负无穷到正无穷的范围类,数值在 0--1 之间;
描述每个部分多少量可以通过,0代表不允许任何量通过,1 代表允许任何量通过。
1、决定丢弃信息
- \(h_{t-1}\):上一层中间结果;
- \(x_t\):当前数据;
- \(\sigma\):激活函数;
- \(f_t\):所有值在 0-1 范围之间。\(f_t\) 和 \(C_{t-1}\) 组合,乘法操作,决定丢弃什么信息。
$ f_{t}=\sigma (W_{f} \cdot [h_{t-1}, x_{t} ]+b_{f} )$
2、确定要更新的信息
- \(i_{t}\) 要保留下来的新信息
- \(C_{t}\) 新数据形成的控制参数
$i_{t} = \sigma (W_{i} \cdot [h_{t-1}, x_{t} ] + b_{i} ) $
\(\tilde{C}_{t} = \tanh (W_{C} \cdot [h_{t-1}, x_{t}]+b_{C} )\)
3、更新细胞状态
$C_{t} = f_t * C_{t-1} + i_t * \tilde{C}_{t} $
4、输出信息
- \(o_t\):什么都没忘,全留下的信息
- \(h_t\):输出值
- \(C_t\):更新完的结果
\(o_t = \sigma (W_o [h_{t-1}, x_t] + b_o)\)
\(h_t = o_t * tanh(C_t)\)
参考资料
- 零基础入门深度学习(6) - 长短时记忆网络(LSTM)
https://zybuluo.com/hanbingtao/note/581764
标签:cdot,短时记忆,网络,信息,控制参数,LSTM,sigma,更新 来源: https://www.cnblogs.com/fldev/p/14360228.html