本篇是在之前两篇基础上接着写的:
吴恩达deepLearning.ai循环神经网络RNN学习笔记(理论篇)
从头构建循环神经网络RNN的向前传播(rnn in pure python)
也可以不看,如果以下有看不懂的,再回过头来看上面两篇也行。
前言
目录
-
阀门和状态描述
-
LSTM cell
-
LSTM整个过程
需要理解:
-
遗忘门,更新门,输出门的作用是什么,它们是怎么发挥作用的。
-
单元状态 cell state 是如何来选择性保留信息。
下面这张图将示意LSTM的操作。
LSTM单元,它在每一个时间步长跟踪更新“单元状态”或者是记忆变量。
同之前讲的RNN例子一样,我们将以一个时间步长的LSTM单元执行开始,接着你就可以用for循环处理Tx个时间步长。
阀门和状态概述
遗忘门
概念:
-
假设我们正在阅读一段文本中的单词,并计划使用LSTM跟踪语法结构,例如判断主体是单数(“ puppy”)还是复数(“ puppies”)。
-
如果主体更改其状态(从单数词更改为复数词),那么先前的记忆状态将过时,因此我们“忘记”过时的状态。
-
“遗忘门”是一个张量,它包含介于0和1之间的值。
-
如果遗忘门中的一个单元的值接近于0,则LSTM将“忘记”之前单元状态相应单位的存储值。
-
如果遗忘门中的一个单元的值接近于1,则LSTM将记住大部分相应的值。
公式:
公式的解释:
-
包含控制遗忘门行为的权重。
-
之前时间步长的隐藏状态和当前时间步长的输入连接在一起乘以。
-
sigmoid函数让每个门的张量值在0到1之间。
-
遗忘门和之前的单元状态有相同的shape。
-
这就意味着它们可以按照元素相乘。
-
将张量和相乘相当于在之前的单元状态应用一层蒙版。
-
如果中的单个值是0或者接近于0,那么乘积就接近0.
-
这就是使得存储在对应单位的值在下一个时间步长不会被记住。
-
同样,如果中的1个值接近于1,那么乘积就接近之前单元状态的原始值。
-
LSTM就会在下一个时间步长中保留对应单位的值。
在代码中的变量名:
-
Wf: 遗忘门的权重
-
Wb: 遗忘门的偏差
-
ft: 遗忘门
候选值
概念:
-
候选值是包含当前时间步长信息的张量,它可能会存储在当前单元状态中。
-
传递候选值的哪些部分取决于更新门。
-
候选值是一个张量,它的范围从-1到1。
-
代字号“〜”用于将候选值与单元状态区分开。
公式:
公式的解释:
-
'tanh'函数产生的值介于-1和+1之间。
在代码中的变量名:
-
cct: 候选值
更新门
概念:
-
我们使用更新门来确定候选的哪些部分要添加到单元状态中。
-
更新门是包含0到1之间值的张量。
-
当更新门中的单位接近于0时,它将阻止候选值中的相应值传递到。
-
当更新门中的单位接近1时,它允许将候选的值传递到。
-
注意,我们使用下标“i”而不是“u”来遵循文献中使用的约定。
公式:
公式的解释:
-
类似于遗忘门(此处为),用sigmoid函数乘后值就落在了0到1之间。
-
将更新门与候选元素逐元素相乘,并将此乘积()用于确定单元状态。
在代码中的变量名:
在代码中,我们将使用学术文献中的变量名。这些变量不使用“ u”表示“更新”。
-
wi是更新门的权重
-
bi是更新门的偏差
-
it是更新门
单元状态
概念:
-
单元状态是传递到未来时间步长的“记忆/内存(memory)”。
-
新单元状态是先前单元状态和候选值的组合。
公式:
公式的解释:
-
之前的单元状态通过遗忘门调整(加权)。
-
候选值通过更新门调整(加权)。
在代码中的变量名:
-
c: 单元状态,包含所有的时间步长,c的shape是(na, m, T)
-
c_next: 下一个时间步长的单元状态,的shape (na, m)
-
c_prev: 之前的单元状态,的shape (na, m)
输出门
概念:
-
输出门决定时间步长要输出的预测值。
-
输出门与其他门一样,它包含从0到1的值。
公式:
公式的解释:
-
输出门由之前的隐藏状态和当前的输入 决定。
-
sigmoid函数让值的范围在0到1之间。
在代码中的变量名:
-
wo: 输出门的权重
-
bo: 输出门的偏差
-
ot: 输出门
隐藏状态
概念:
-
隐藏状态将传递到LSTM单元的下一个时间步长。
-
它用于确定下一个时间步长的三个门()。
-
隐藏状态也用于预测。
公式:
公式的解释:
-
隐藏状态由单元状态结合输出门确定。
-
单元状态通过“ tanh”函数把值缩放到-1和+1之间。
-
输出门的作用就像一个“掩码mask”,它既可以保留的值,也可以使这些值不包含在隐藏状态中。
在代码中的变量名:
-
a: 隐藏状态,包含时间步长,shape (na, m, Tx)
-
a_prev: 前一步的隐藏状态,的shape (na, m)
-
a_next: 下一步的隐藏状态,的shape (na, m)
预测值
概念:
-
此用例的预测是分类,所以我们用softmax。
公式:
在代码中的变量名:
-
y_pred: 预测,包含所有的时间步长,的shape (ny, m, Tx),注意,本例中Tx=Ty。
-
yt_pred: 当前时间步长t的预测值,shape是(ny, m)
LSTM cell
一共三个步骤:
1. 连接隐藏状态和输入成一个单独的矩阵
2. 依次计算上面那6个公式
3. 计算预测值
def lstm_cell_forward(xt, a_prev, c_prev, parameters): """ Implement a single forward step of the LSTM-cell as described in Figure (4) Arguments: xt -- your input data at timestep "t", numpy array of shape (n_x, m). a_prev -- Hidden state at timestep "t-1", numpy array of shape (n_a, m) c_prev -- Memory state at timestep "t-1", numpy array of shape (n_a, m) parameters -- python dictionary containing: Wf -- Weight matrix of the forget gate, numpy array of shape (n_a, n_a + n_x) bf -- Bias of the forget gate, numpy array of shape (n_a, 1) Wi -- Weight matrix of the update gate, numpy array of shape (n_a, n_a + n_x) bi -- Bias of the update gate, numpy array of shape (n_a, 1) Wc -- Weight matrix of the first "tanh", numpy array of shape (n_a, n_a + n_x) bc -- Bias of the first "tanh", numpy array of shape (n_a, 1) Wo -- Weight matrix of the output gate, numpy array of shape (n_a, n_a + n_x) bo -- Bias of the output gate, numpy array of shape (n_a, 1) Wy -- Weight matrix relating the hidden-state to the output, numpy array of shape (n_y, n_a) by -- Bias relating the hidden-state to the output, numpy array of shape (n_y, 1) Returns: a_next -- next hidden state, of shape (n_a, m) c_next -- next memory state, of shape (n_a, m) yt_pred -- prediction at timestep "t", numpy array of shape (n_y, m) cache -- tuple of values needed for the backward pass, contains (a_next, c_next, a_prev, c_prev, xt, parameters) Note: ft/it/ot stand for the forget/update/output gates, cct stands for the candidate value (c tilde), c stands for the cell state (memory) """ # 从 "parameters" 中取出参数。 Wf = parameters["Wf"] # 遗忘门权重 bf = parameters["bf"] Wi = parameters["Wi"] # 更新门权重 (注意变量名下标是i不是u哦) bi = parameters["bi"] # (notice the variable name) Wc = parameters["Wc"] # 候选值权重 bc = parameters["bc"] Wo = parameters["Wo"] # 输出门权重 bo = parameters["bo"] Wy = parameters["Wy"] # 预测值权重 by = parameters["by"] # 连接 a_prev 和 xt concat = np.concatenate((a_prev, xt), axis=0) # 等价于下面代码 # 从 xt 和 Wy 中取出维度 # n_x, m = xt.shape # n_y, n_a = Wy.shape # concat = np.zeros((n_a + n_x, m)) # concat[: n_a, :] = a_prev # concat[n_a :, :] = xt # 计算 ft (遗忘门), it (更新门)的值 # cct (候选值), c_next (单元状态), # ot (输出门), a_next (隐藏单元) ft = sigmoid(np.dot(Wf, concat) + bf) # 遗忘门 it = sigmoid(np.dot(Wi, concat) + bi) # 更新门 cct = np.tanh(np.dot(Wc, concat) + bc) # 候选值 c_next = ft * c_prev + it * cct # 单元状态 ot = sigmoid(np.dot(Wo, concat) + bo) # 输出门 a_next = ot * np.tanh(c_next) # 隐藏状态 # 计算LSTM的预测值 yt_pred = softmax(np.dot(Wy, a_next) + by) # 用于反向传播的缓存 cache = (a_next, c_next, a_prev, c_prev, ft, it, cct, ot, xt, parameters) return a_next, c_next, yt_pred, cache
LSTM向前传播
我们已经实现了一个时间步长的LSTM,现在我们可以用for循环对它进行迭代,处理一系列的Tx输入。
LSTM的多个时间步长
指导:
-
从变量x 和 parameters中获得 的维度。
-
初始化三维张量 , 和 .
-
: 隐藏状态, shape
-
: 单元状态, shape
-
: 预测, shape (注意在这个例子里 ).
-
注意 将一个变量设置来和另一个变量相等是"按引用复制". 换句话说,就是不用使用c = a, 否则这两个变量指的是同一个变量,更改任何其中一个变量另一个变量的值都会跟着变。
-
初始化二维张量
-
储存了t时间步长的隐藏状态,它的变量名是a_next。
-
, 时间步长0时候的初始隐藏状态,调用该函数时候传入的值,它的变量名是a0。
-
和 代表单个时间步长,所以他们的shape都是
-
通过传入函数的初始化隐藏状态来初始化 。
-
用0来初始化 。
-
变量名是 c_next.
-
表示单个时间步长, 所以它的shape是
-
注意 : create c_next as its own variable with its own location in memory. 不要将它通过3维张量的切片来初始化,换句话说, 不要 c_next = c[:,:,0].
-
对每个时间步长,做以下事情:
-
从3维的张量 中, 获取在时间步长t处的2维切片 。
-
调用你之前定义的 lstm_cell_forward 函数,获得隐藏状态,单元状态,预测值。
-
存储隐藏状态,单元状态,预测值到3维张量中。
-
把缓存加入到缓存列表。
def lstm_forward(x, a0, parameters): """ Implement the forward propagation of the recurrent neural network using an LSTM-cell described in Figure (4). Arguments: x -- Input data for every time-step, of shape (n_x, m, T_x). a0 -- Initial hidden state, of shape (n_a, m) parameters -- python dictionary containing: Wf -- Weight matrix of the forget gate, numpy array of shape (n_a, n_a + n_x) bf -- Bias of the forget gate, numpy array of shape (n_a, 1) Wi -- Weight matrix of the update gate, numpy array of shape (n_a, n_a + n_x) bi -- Bias of the update gate, numpy array of shape (n_a, 1) Wc -- Weight matrix of the first "tanh", numpy array of shape (n_a, n_a + n_x) bc -- Bias of the first "tanh", numpy array of shape (n_a, 1) Wo -- Weight matrix of the output gate, numpy array of shape (n_a, n_a + n_x) bo -- Bias of the output gate, numpy array of shape (n_a, 1) Wy -- Weight matrix relating the hidden-state to the output, numpy array of shape (n_y, n_a) by -- Bias relating the hidden-state to the output, numpy array of shape (n_y, 1) Returns: a -- Hidden states for every time-step, numpy array of shape (n_a, m, T_x) y -- Predictions for every time-step, numpy array of shape (n_y, m, T_x) c -- The value of the cell state, numpy array of shape (n_a, m, T_x) caches -- tuple of values needed for the backward pass, contains (list of all the caches, x) """ # 初始化 "caches", 用来存储每个时间步长的cache值的 caches = [] Wy = parameters['Wy'] # 从 x 和 parameters['Wy'] 的shape中获取纬度值 n_x, m, T_x = x.shape n_y, n_a = Wy.shape # 初始化 "a", "c" and "y" a = np.zeros((n_a, m, T_x)) c = np.zeros((n_a, m, T_x)) y = np.zeros((n_y, m, T_x)) # 初始化 a_next and c_next a_next = a0 c_next = np.zeros(a_next.shape) # loop over all time-steps for t in range(T_x): # 从3维张量x中获取t时间步长的2维张量xt xt = x[:, :, t] # 更新下一个时间步长的隐藏状态, 下一个单元状态, 计算预测值 a_next, c_next, yt, cache = lstm_cell_forward(xt, a_next, c_next, parameters) # 把下一个时间步长长的隐藏状态保存起来 a[:,:,t] = a_next # 把下一个时间步长长的单元状态保存起来 c[:,:,t] = c_next # 把预测值保存起来 y[:,:,t] = yt # 保存缓存值 caches.append(cache) # 用于向后传播 caches = (caches, x) return a, y, c, caches
恭喜你!现在,你已经为LSTM实现了前向传播。使用深度学习框架时,实施前向传播足以构建出色性能的系统。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 面向前端的后端模式(BFF)
- 互联网大提速的悬念:一路向前的WebAssembly
- Swift 5.0 计划年底发布:主打 ABI 稳定性,不向前兼容
- Swift 5.0 计划年底发布:主打 ABI 稳定性,不向前兼容
- 生活服务事业群产品研发部 | 业务拼命向前冲 产研奋力保稳定
- 向前、向后、横着走,双足机器人Cassie,靠深度强化学习学会了走路丨论文
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
热搜:搜索排名营销大揭秘
【美】肖恩·布拉德利 / 中国人民大学出版社有限公司 / 2018-7-30 / CNY 55.00
首部大数据在我国政府管理场景中的应用实践案例读本,全面展示我国电子政务与数字化建设的成果,深度理解实施国家大数据战略的重要意义。 本书作者作为国内最早从事大数据应用研究的实践者之一,亲历了中国大数据的发展历程、主要事件、应用案例以及行业变化。 在本书中,作者将其所亲历的大数据发展历程进行了阐述,从大数据的基本概念、特点到实践解读,通俗易懂,给我们的实际工作提供了重要参考。作者将帮助读者......一起来看看 《热搜:搜索排名营销大揭秘》 这本书的介绍吧!
HTML 压缩/解压工具
在线压缩/解压 HTML 代码
HEX CMYK 转换工具
HEX CMYK 互转工具