ud730深度学习（三）——LSTM(unfinished)

最新推荐文章于 2023-01-19 14:40:03 发布

weixin_33962621

最新推荐文章于 2023-01-19 14:40:03 发布

阅读量221

点赞数

CC 4.0 BY-SA版权

文章标签：人工智能

原文链接：http://www.cnblogs.com/mandalalala/p/6798257.html

LSTM（Long Short-TermMemory）是一个RNN（循环神经网络）架构，被设计用来解决卷积RNN的梯度消失和爆炸问题。

传统的LSTM在循环隐藏层包含名叫memory blocks的特殊单元。

memory blocks包含具有self-connections的memory cell，self-connections用来存储记忆网络的时间状态，以及名叫gates的特殊乘法单元以控制信息流。

每个memory block都包含一个input gate，控制进入memorycell的输入激活流，和一个output gate，控制进入到网络其余部分的单元激活流。

forget gate在输入之前，衡量单元的内部状态，然后适应性地忘记或者重置单元的记忆。用f表示。

另外，还有一个peepholeconnections连接内部单元到gate以学习输出。

标准的LSTM网络包括输入层，循环LSTM层和输出层。另外，我们还加了projection和recurrent以解决计算太复杂的问题。

一个LSTM网络通过下列公式来计算从输入序列到输出序列的映射，t=1~T。

其中W表示权重矩阵（比如wix是input gate到输入的权重矩阵），b表示误差向量，σ表示logistic函数，这些都和输出层的激活向量m大小相同。⊙是向量的逐元素乘积，g和h都是激活函数，通常选择tanh。i表示input gate，f表示forget gate，o表示output gate，c表示cell激活向量。

任务 6: LSTMs

训练一个一个长短期记忆网络预测字符串

问题1

LSTM的cell包括4个矩阵乘积，使用单个矩阵乘法简化该表达。

源代码忽略了w*c这一项。看到LSTM的Input gate、Forget gate、Memory cell和Output gate的计算方法一样，因此设置一个gate_count，把四组参数分别合并，一次计算，再分别取出。

问题2

我们想要让LSTM学习二元词，而可能的二元词“ab”等的数量很大，直接使用1-hot向量表示他们并把他们输入LSTM可能会导致非常大的稀疏度，浪费计算量。

a) 使用词向量表示输入，把词向量输入LSTM单元。

b) 基于上述的LSTM，写一个二元词的LSTM。

c) 使用dropout，具体详见https://arxiv.org/abs/1409.2329。

a,b 用词向量表示输入，写一个二元词的LSTM

对于单个单词，单词量是27（包括空格），二元词的单词量设为bi_voc: 27*27=729，设单个词向量大小为embeddings_size，则需要729个这样的词向量。

获取数据：BatchGenerator不再生成one-hot-encoding的向量作为输入，而是直接生成二元词对应的index列表，index列表的取值范围为[0,729)。获取的数据形状为(num_rollings+1, batch_size)，int型，其中前num_unrollings个输入数据，后num_unrollings个是输出数据。

输入数据input：转化大小为(num_unrollings,batch_size, embedding_size)的矩阵，通过lstm_cell，输出一个矩阵outputs，大小为(batch_size, num_nodes)，其中num_nodes是节点数。通过tf.nn.xw_plus_b(tf.concat(0,outputs),w, b)得到logits，大小为(batch_size*num_unrollings, bi_voc)。

已知的输出数据label：因为要将logits和输出数据进行交叉熵和softmax计算损失的运算，因此要将label转化为和logits大小一致的矩阵。不需要将label转化为词向量。bigramonehot是一个bi_voc*bi_voc的单位矩阵。通过tf.gather函数，将label转化为one-hot编码。

取样验证：只有一个batch，不需要unrolling。在对验证数据做转换时，主要依赖one_hot_voc函数

另外:

1. tf.concat(concat_dim,values,name='concat')

concat_dim：值范围是[0,rank(values)-1]。等于0，表示沿着第一维连接tensor；等于1，表示沿着第二维度连接tensor，……。

values:tensor值列表

文档中写错了。

2. tf.reduce_mean中出现loss为0的现象？？？？？？？？？？？

3. dropout略吧

参考资料：

1. LONG SHORT-TERM MEMORY BASEDRECURRENT NEURAL NETWORK

ARCHITECTURES FOR LARGE VOCABULARY SPEECHRECOGNITION http://arxiv.org/pdf/1402.1128v1.pdf

2. http://www.jianshu.com/p/45dbfe5809d4