本文内容及图片主要参考：Understanding LSTM Networks
LSTM核心思想
LSTM最早由 Hochreiter & Schmidhuber 在1997年提出，设计初衷是希望能够解决神经网络中的长期依赖问题，让记住长期信息成为神经网络的默认行为，而不是需要很大力气才能学会。
LSTM记忆单元
下面是对LSTM单元内各部分的理解：
LSTM通过“门”（gate）来控制丢弃或者增加信息，从而实现遗忘或记忆的功能。“门”是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成。sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过。一个LSTM单元有三个这样的门，分别是遗忘门（forget gate）、输入门（input gate）、输出门（output gate）。
- 遗忘门（forget gate）：遗忘门是以上一单元的输出 ht−1 和本单元的输入 xt 为输入的sigmoid函数，为 Ct−1 中的每一项产生一个在[0,1]内的值，来控制上一单元状态被遗忘的程度。
- 输入门（input gate）：输入门和一个 tanh 函数配合控制有哪些新信息被加入。 tanh 函数产生一个新的候选向量 Ct~ ，输入门为 Ct~ 中的每一项产生一个在[0,1]内的值，控制新信息被加入的多少。至此，我们已经有了遗忘门的输出 ft ，用来控制上一单元被遗忘的程度，也有了输入门的输出 it ，用来控制新信息被加入的多少，我们就可以更新本记忆单元的单元状态了，
Ct=ft∗Ct−1+it∗Ct~
。
- 输出门（output gate）：输出门用来控制当前的单元状态有多少被过滤掉。先将单元状态激活，输出门为其中每一项产生一个在[0,1]内的值，控制单元状态被过滤的程度。
LSTM变种
上面描述的LSTM是一种标准版本，并不是所有LSTM都和上面描述的一模一样。事实上，似乎每篇论文用到的LSTM都有一点细微的不同。
一种比较流行的LSTM变种如下图所示，最早由Gers & Schmidhuber在2000年提出。这种方法增加了“peephole connections”，即每个门都可以“窥探”到单元状态。这里，遗忘门和输入门是与上一单元状态建立连接，而输出门是与当前单元状态建立连接。
另外一个值得关注的变种看起来很好玩，叫做Gated Recurrent Unit（GRU），最早由Cho, et al.在2014年提出。这种方法将遗忘门和输入门连入了一个“更新门”（update gate），同时也合并了隐藏状态 ht 和单元状态 Ct ，最终的结果比标准LSTM简单一些。
当然，变种有很多，是列不过来的。有人专门比较总结过LSTM的变种，并比较了其效果，结果显示这些变种表现差不多，具体参见Greff, et al. (2015)及Jozefowicz, et al. (2015)。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/221262.html原文链接：https://javaforall.net
