LSTM

Recurrent Neural Networks

• networks with loops in them, allowing information to persist.

Paste_Image.png

• unroll

Paste_Image.png

The Problem of Long-Term Dependencies

• use past to predict now

Paste_Image.png

• The problem was explored in depth by Hochreiter (1991) [German] and Bengio, et al. (1994), who found some pretty fundamental reasons why it might be difficult.

• 这是普通的RNN结构

  
  
  

  Paste_Image.png

• 这是LSTM结构

Paste_Image.png

Paste_Image.png

The Core Idea Behind LSTMs

• 重要的点 cell state(传输带)，能够在上面增加或者去除cell

Paste_Image.png

• 门有让信息通过的能力。由sigmoid和乘法运算组成。

Paste_Image.png

它决定有多少信息通过。0意味着不让任何信息通过，1意味着让所有信息通过。

Step-by-Step LSTM Walk Through

• “forget gate layer.”

Paste_Image.png

• decide what new information we’re going to store

Paste_Image.png

• 我们决定那些要忘记，那些信息重要的要留下

Paste_Image.png

• 最后我们决定要输出什么（时态or词性）

Paste_Image.png

LSTM变形

1.我们希望在忘记之前能够查看cell state的情况(peepholes)

Paste_Image.png

2.当我们忘记旧的东西，我们才加入新的值

Paste_Image.png

3.把forget gate 和 input gate 变成update gate。把cell state 和hidden state 结合在一起。

Paste_Image.png