序列模型之循环神经网络（三）LSTM & BRNN & DRNN

目录

一.长短期记忆LSTM

二.双向循环神经网络

三.深层循环神经网络

---

一.长短期记忆LSTM

最后暑促先来看一下GRU和LSTM的对比，从公式可以看到LSTM中a^和c^已经不是一个东西了，然后LSTM有三个门，分别是更新门，遗忘门，输出门，最后输出的激活值是输出门和c^的乘积，其他的就不用说了。

过程图：

二.双向循环神经网络

上图是咱们之前的一个例子，当遍历到第三个单词Teddy时，仅凭前两个单词He said不足以判断这是否是人名的一部分，这是因为我们在此之前讲的模型，无论你用的单元是最基础的RNN单元还是GRU单元还是LSTM单元，整个序列模型都是单向RNN，所以后面的影响不到前面的。

下面是BRNN的图示：

可以看到紫色的部分和绿色的部分是对称的，所以这个网络其实是从左往右走了一遍RNN的过程，又从右往左走了一遍RNN的过程。可以看到求解yhat^的式子，第t个时间步时的正向激活值和反向激活值都要用到。这样我们就可以用到过去的信息，也可以用到未来的信息。

现在很多NLP问题用LSTM单元的BRNN就可以有一个很高效的解决办法。

从课上来看，吴恩达老师是更加青睐于LSTM的，相比于GRU单元。

三.深层循环神经网络

深层RNN如上图，自下而上分别是不同的层，自作而右是不同的时序先后关系，图中符号[]代表第几层，<>代表第几个时间步，比如a^[2]<3>代表第2个RNN层的第3个时间步的激活值。想咱们普通的神经网络模型，可能多的可以达到100多层，但是对于DRNN，三层就已经很多了。然后加深网络的深度还可以在DRNN的各个输出处再添加一些网络层（如上图）。