论文阅读【6】RRN:LSTM论文阅读报告(1)

lstm类似于Simple_RNN,但是又比他复杂很多.我是参考这个视频的老师讲解的,这个老师讲解的非常好.https://www.bilibili.com/video/BV1FP4y1Z7Fj?p=4&vd_source=0a7fa919fba05ffcb79b57040ef74756

lstm的最重要的设计就是那一条传输带,即为向量$C_t$,过去的信息通过他传送给下一个时刻,就是依靠传送带避免梯度消失.

遗忘门(forget Gate)

输入的是一个向量a,然后将a通过一个sigmoid函数,sigmoid函数将其归一化到0~1之间.比如下面这个矩阵,将其中的每个数字都归一化到了0-1之间,在归一化之后维度不发生改变.

然后将归一化的向量f与签一个输出的向量c做内积,只需要把Elementwise multiplication的中与f向量中相同维度的值相乘即可,例如将0.9*0.5=0.45,得到输出output.

遗忘门可以让c有选择的通过,如果f对应维度的值为0,则这个维度的c就不能通过.如果f中对应维度的值为1,则c这个维度的数据就可以全部通过,就是他本身.

其中$f_t$是上一个状态的输入$h_{t-1}$与当前的输出$x_t$做contact,然后乘以一个权重向量$W_f$,最后再做sigmoid得到向量$f_t$,其中$f_t$的每一个值都是介于0~1之间,权重参数$W_f$需要反向传播,学习得到.

输入门

输入门的$i_t$依赖于旧的状态的$h_{t-1}$和新的输入$x_t$,很类似于遗忘门的计算过程,首先将$h_{t-1}$与$x_t$做contact,得到更高维的向量,然后与参数矩阵$W_t$做乘积计算,得到的结果通过一个sgmoid函数得到一个矩阵$i_t$,其中$i_t$中的每一个元素都是介于0~1之间,其中$W_t$是通过学习获得的.

更新输入信息(new value)

还需要计算一个值new value $C_t$,还是跟之前一样先将 $h_{t-1}$与$x_t$做contact,然后乘以一个权重矩阵$W_c$,这时候使用的激活函数就与之间不同了,使用的是双曲正切函数,得到值是介于-1~1之间,其中$W_c$是通过学习获得的.

得到了$f_t$,$i_t$,$C_t$,然后将$f_t$与上一个输入$C_{t-1}$里面的每一个元素做内积,如果$f_t$中有的信息为0 ,则是对传送带上一个信息的选择性的遗忘,然后再将$i_t$,$C_t$做内积,得到新的输入信息,因为他们的维度都是相同的,则将他们全部加到一起,最后输出的信息$C_t$将作为下一个信息的输入.

输出层

更新完信息$C_t$之后,就要计算输出信息,也就是状态向量$h_t$,计算过程如下:

首先是计算输出门$O_t$,计算过程是这样的,先将 $h_{t-1}$与$x_t$做contact,然后乘以一个权重矩阵$w_o$,在将结果做sigmoid,得到$O_t$,其中每一个元素都是介于0~1之间.

对传送带的每一个$c_t$都进行双曲正切tanth,将值压缩到-1~1之间,然后与输出门$o_t$做内积得到新的状态向量$h_t$.$h_t$有两份copy,其中一份成为下一个lstm的输入,另外一个作为lstm的输出信息.对于当前状态,可以说一共有t个状态输入,所有的信息都积累在状态$h_t$里面.

lstm一共有四个门,遗忘门,输入门,new value,输出门,则对应的是四个权重参数矩阵w,其中每个权重参数的维度为:

• 行:shape(h)
• 列:shape(h)+shape(x)
  所以lstm的维度是:
  $4\ast shape(h)\ast [shape(h)+shape(x)]$

LSTM的应用

• 情感分析
  
  只需要将lstm的最后一个信息输出即可,然后放到sigmoid函数当中,最后得到了一个0-1之间的结果,代表正例和负例.