LSTM(Long Short Term Memory) 核心入门

增强学习之长短记忆模型

本文主要结合自己rnn，lstm的学习经历，帮助有一定深度学习基础的人快速了解LSTM，假设读者已经了解深度学习的大致结构，以及以下列出的相关基础知识，如果不了解，可以先大致了解一下以下一些名词，或者边读边了解。
看完这个，理解了之后至少看相关论文的时候不会太迷糊。

先验知识列表

1. 基本的线性代数概率统计
2. 知道input layer ，output layer，hidden layer的含义
3. 知道感知觉模型，sigmoid函数，映射到[-1,1]区间的
4. 图中的黑色圆点代表信号相乘
5. 知道tanh函数，
6. 深度学习基础至少先把这个链接上面的demo跑一遍，做个直观的了解，不然可能看到后面的，又忘了前面的。深度学习入门tutorial

摘要
本文主要介绍LSTM的核心运行原理包括架构图以及如何使用。

LSTM的核心单元由四个部分组成Input Gate，Output Gate， Forget Gate and Cell。下面我们来一一解释这四个unit。
Input Gate 的输入主要有三个部分，如公式中，输入信息Xt ，前一个hidden layer的信息。还有 cell反馈回来的信息。一共三个，再加一个bias b。前三个输入源分别对应三个权重w 分别是，输入x，隐藏层h，cell反馈c，一共四个项： 之后通过sigmoid 或者tanh函数 映射到[-1,1]。

Forget Gate 同样，也是输入源Xt、前一个hidden layer 的信息 H t-1 再加Cell反馈回来的信息Ct-1、再加偏置b。

由图中可以看出，这两个unit 的输入和输出几乎无异，但是W参数不一样，也就是不同的激活函数对应不同的激活区域，以及后续的输出信息的处理不同，一个是与不带cell的输入相乘。也就是ct的后半部分，另一个是与ct-1相乘。实际上就是把It拆成两半。
Ct-1 和 WXt+WHt-1+b两部分，然后分别拿上两个输出相乘来获取下一个时间段的Ct。这也是
Cell的计算公式。

Output Gate
Ot与Ft、It的计算方式具有很大的相似性，唯一不同的是Ct，而不是Ct-1，下标成长为一。公式可以自己往上翻，去看，或者先不着急，后面还会分析。然后，其中的每一个黑点，代表是的相乘。最后的ht是作为下一层的hidden layer 的参数。这是一个单元的计算量，很明显比上层的要高。

-

-

这个结构是如何实现长短记忆的？
第一重要的是这个结构，那么，这个结构是如何而实现长短记忆的呢？ 如何保存记忆数据的呢？那就是这个cell的作用了，我们看，这个cell 保存的东西，是能够通过参数一直往下传的，至于传多远，在下面这个公式中，也就是求Ct的公式，如果我们的参数input gate = 0 and forget gate = 1 ，那么就可以一直传下去，什么时候要输出了，就激活 ， 就是从cell 到 output gate 的参数。

看，Ct里存储的信息，就可以随意的作用到后面的输入层，可以自由的通过W和Ft来控制记忆长短。

-

-

-

-

对这些传输公式整体的理解
接下来我们仔细研究一下这些传输公式，来做一个系统的理解。

首先偏置都是b 如bi、bf、bc、bo。 要知道其中的 I f c o 分别代表四个主要结构，input forget output and cell、
然后输入信息都是x、h、c ；x代表上层输入信号。h代表上一次的隐藏层输入，c代表上一层的cell的输出。这都是假定的下标为t-1，如果下标为t，就是本层的。
再看W ,W的下标是 i、f、c、o （单元结构）和信息源x、h、c的组合。这下是不是很清晰。

然后 相比于传统的cnn，cnn 只有input layer 、output layer 、还有hidden layer。 那么lstm 多出来的两个unit，cell 和 forget layer 肯定是实现功能的关键所在。作为深入，还想模拟一下一些能直观的表示出这两个unit 作用的功能，加深理解。这个公式最重要。

看，当forget gate 的输出，也就是 ft = 0 时，是不是，Ct-1 就传不到Ct了，也就是忘了。然后我们会想。这是不是只存了一个，要么就存过去的cell，要么就存 新的那一坨：

这是和传统的神经网络，或则cnn相似的那一部分。当然也有可能累加。
然后还有一个问题，就是，ft是一个向量，it 也是一个向量。W是一个矩阵。Ft是一组0、1 序列，然后 前面与之有关系的W相乘，分别对应不同的层，不同位置，不同激活函数的神经元。因此，这些0、1序列决定了哪几个神经元要存在cell里，占用cell向量的一个字符位置。哪些不存，放0。这是ft 也就是forget gate 的输出的主要走向，也就是主要的作用域。Forget gate 都对整个网络产生了哪些影响。
然后我们看看Ct-1 的输出都作用到哪里了呢？input gate ，output gate 还有下一层的cell 都作用了。我们后面可以专门讲这些W，有一个专门的研究课题，叫做Peephole weights。
那么这些cell是如何作用到后面的网络的呢？以及这个网络如何训练的呢？我们后面再续。

-

-

LSTM训练的问题
LSTM肯定会比较难训练，因为cnn一层只有一个w，而 lstm 一层有9个w，相当一层顶9层，做过的知道，训练起来，层数越多越困难。