机器学习面试题-为啥LSTM比RNN好

问题引入

其实这算是个经典的问题了，在一般的只要你做过时间序列相关的项目或者理论的时候，LSTM和RNN的对比肯定是要问的。那两者到底有啥区别呢？

问题回答

其实对于这个问题，要从RNN在发展过程中带来的令人诟病的短处说起，RNN在train参数的时候，需要反向传播梯度，这个梯度是这么算的:
$$w^{i+1}=w^i-r\cdot \frac{\partial Loss}{\partial w}{|}_{w:w^i},r>0$$
其中$r$是学习率，$\frac{\partial Loss}{\partial w}{|}_{w:w^i}$是损失函数在w处的导数，针对RNN在结构上很深的特征，会产生梯度消失和梯度爆炸，其中需要了解下什么是梯度消失和梯度爆炸，梯度消失指的是，RNN在某些$w^i$取值上，导致梯度很小，梯度爆炸指的是，$w^i$在某些取值上，导致梯度特别大。如果你的学习率$r$不变的话，那么参数要么几乎不变，要么就是变化剧烈，到时迭代动荡很难手收敛。通过我们对RNN的网络结构的建模，我们发现他的梯度是这个样子的：
$$\frac{\partial L_t}{\partial W^h}=\sum _{t=0}^T\sum _{k=0}^t\frac{\partial L_t}{\partial y_t}\frac{\partial y_t}{\partial h_t}(\prod _{j=k+1}^t\frac{\partial h_j}{\partial h_{j-1}})\frac{\partial h_k}{\partial W^h}$$
我们先不管这一大串公式是啥意思，大值得意思就是上面公式里面有依赖于时间$t$的连乘符号；修正$t$时刻的误差需要考虑之前的所有时间$k$的隐藏层对时间$t$的影响，当$k$和$t$距离越远，对应着隐含层之间的连乘次数就越多。就是这个连乘的结构产生了梯度消失，梯度爆炸也是它导致的。具体大一大波公式有需要看的话可以看下参考中的地(我只是搬运工)。
而LSTM（长短时记忆网络），因为可以通过阀门（gate，其实就是概率，共有输出、遗忘、输入三个阀门）记忆一些长期信息，所以，相比RNN，保留了更多长期信息（相应地也就保留了更多的梯度）。隐层之间的输入输出可以表示为：
$$c_j=\sigma (W^f{X}_j+b^f)c_{j-1}+\sigma (W^i{X}_j+b^i)\sigma (W{X}_j+b)$$,于是连乘的项可以表示为：
$$\frac{\partial c_j}{\partial c_{j-1}}=\sigma (W^f{X}_j+b)$$
该值得范围在0-1之间，在参数更新的过程中，可以通过控制bais较大来控制梯度保持在1，即使通过多次的连乘操作，梯度也不会下降到消失的状态。所以，相比RNN，在LSTM上，梯度消失问题得到了一定程度的缓解。

更多内容，查看如下(百面机器学习)：

https://www.zhihu.com/question/44895610/answer/616818627
https://zhuanlan.zhihu.com/p/30844905
https://blog.csdn.net/laolu1573/article/details/77470889