input框限制输入40个字符_RNN的输入输出以及keras参数解析

RNN的输入和输出代表什么意思

如下是堆叠多层rnn在时间维度上的一个截面

将上图中的每一个方块铺开，得到如下的多层RNN，总共有三层（输入，隐藏层，输出）, 如下的时间窗口为4，这4个网络的参数是共享的。单独来看每个时刻的切面，就是一个MLP的增强版：原始的MLP的基础上，上一个时刻的hidden cell的值，需要传给本次time_step对应MLP的hidden cell作为输入。

图1

上面讲了rnn的运行机制，至于更复杂的rnn比如LSTM、RGU，那就是在MLP的每个hidden cell（黄色circle）与下一个time_step 的hidden cell的传值机制的more sophisticated tactics。

几个容易混淆的概念

1. lstm cell 和 mlp cell 完全不同的两个概念。lstm cell 是图2的A. 不同时刻的A的参数是共享的。图2中A的4个黄色框就代表4个MLP, 1个黄色框是包含多个mlp cell的。

图2

使用tensor表示时间序列数据

使用keras实现lstm的参数详解

首先看keras实现lstm的一段代码

from 

使用kera的lstm函数时，三个参数hidden_feature，timestamp，feature_size的含义分别为：

• hidden_feature：图1中每一个切片中黄色节点的个数。图2的A中每个黄色框中（就是一个两层的MLP）隐层节点个数。
• timestamp ：时间长度，图1中切面的个数，图2中A的个数。
• input_feature： 表示X的维度， 图1中切片中绿色圈的个数，图2中xt的维度。

那上面代码构建的lstm有多少个参数呢？

((input_feature + hidden_featrue) * hidden_featrue + hidden_featrue ) * 4

解释一下

(t时刻输入X的维度+ t-1时刻的hidden layer输出的维度 ) * t时刻的隐层的节点个数 + t时刻数据层的节点个数 ) * MLP个数

即

((10 + 5 ) * 5 + 5 ) * 4

RNN的常用结果举例

• 1对1：时间步长为1，退化为MLP, 比如图像分类。
• 1对多：图片取标题。
• 多对1：情感分析/时序分类/时序异常检测。
• 多对多1：机器翻译/多步骤时序预测。
• 多对多2：视频分类，实时的对每一帧画面标记。

注意rnn模型对输入序列的长度没有限制，只要是单步时间窗的整数倍就行了，因为隐藏层是可以使用任意多次（下图中的绿色方块，对应的是上图中的黄色方块）。如下是在时间轴上的切片，每个格子代表的是多个cell。

参考资料

1. https://www.zhihu.com/question/41949741?sort=created
2. https://blog.youkuaiyun.com/jiangpeng59/article/details/77646186

4. https://blog.youkuaiyun.com/wyl1987527/article/details/56682347

Standford CS231n 循环神经网络 简要笔记

5. https://blog.youkuaiyun.com/wyl1987527/article/details/56682347

Keras关于LSTM的units参数，还是不理解?