循环神经（LSTM）网络学习总结

1.算法概述

　　2.算法要点与推导

　　3.算法特性及优缺点

　　4.注意事项

　　5.实现和具体例子

　　6.适用场合

摘要：

　　1.算法概述

　　2.算法要点与推导

　　3.算法特性及优缺点

　　4.注意事项

　　5.实现和具体例子

　　6.适用场合

内容：

　　1.算法概述

　　长短期记忆网络（Long Short Term Memory networks) 通常叫做 “LSTM”,由Hochreiter & Schmidhuber (1997)提出，一个LSTM Cell图示如下：

　　

　　现在，我们先来定义一下用到的符号：

 

　　在网络结构图中，每条线都传递着一个向量。其中上面一条直线表示LSTM的状态向量的传递；下面一条直线表示由LSTM的上一层输出和这一层输入组成的合并向量的传递；

　　粉红色的圆圈表示逐点操作，这里涉及到1.两个输入向量各个元素相加；2.两个输入向量各个元素相乘，即矩阵的哈达玛积(hadamard product)。

　　黄色的矩形框表示的是一个神经网络层（就是很多个神经节点）；

　　合并的线表示把两条线上所携带的向量进行合并;

　　分开的线表示将线上传递的向量复制一份，传给两个地方。

 　　

　　一个LSTM Cell是由3个门限结构和1个状态向量传输线组成的，门限分别是遗忘门，传入门，输出门；

　　其中状态向量传输线负责长程记忆，因为它只做了一些简单的线性操作；3个门限负责短期记忆的选择，因为门限设置可以对输入向量做删除或者添加操作;

　　1.1遗忘门：

　　遗忘门是通过一个sigmoid 神经层来实现的。 0 表示“不让任何信息通过”， 1 表示“让所有信息通过”。它的作用是要决定让哪些信息继续通过这个 cell。

　　

　

 　1.2传入门：

　　传入门实现需要两个步骤：首先，一个sigmoid 层决定哪些信息需要更新；一个 tanh 层生成一个备选的用来更新的内容；
　　再下一步，我们把这两部分联合（向量点乘）起来，对 cell 的状态进行一个更新。它的作用是决定让多少新的信息加入到 cell 状态中来。

　　

　　1.3输出门

　　输出门实现需要两个步骤:首先通过一个sigmoid层来决定哪部分信息会被输出;

       接着,我们把状态向量通过一个 tanh 层，然后把 tanh 层的输出和 sigmoid 层计算出来的权重相乘，这样就得到了最后输出的结果。

　　输出门的作用是决定输出什么值。

 

　　

 　　1.4 LSTM cell状态更新：

　　 首先我们把旧的状态和遗忘门的输出相乘， 把一些不想保留的信息忘掉；然后加上输入门的输出，这部分信息就是我们要添加的新内容。

　　

　　　

　　2.算法要点与推导

　　　　符号说明：这里的“*”代表矩阵的哈达玛积(hadamard product)

　　　　2.1LSTM前向传播公式：

　　　　

　　　　其中设计到参数Wf,Wi,Wc,Wo,bf,bi,bc,bo

　　　　2.2LSTM后向传播公式：

　　　　

　　　　

　　       RNN推导

　　　　LSTM推导

　　　　（译）理解 LSTM 网络 （Understanding LSTM Networks by colah）

　　3.算法特性及优缺点

　　　　优点：可以拟合序列数据，通过遗忘门和输出门忘记部分信息来解决梯度消失的问题。

　　　　缺点：

　　4.注意事项

　　5.实现和具体例子

　　　　《TensorFlow实战》实现LSTM处理PTB数据

　　　　《TensorFlow实战》实现BiLSTM处理Mnist数据

　　　　tensorflow-char-rnn_model处理莎士比亚诗集

　　6.适用场合