深度学习算法(第22期)----RNN中的LSTM模块
上期我们一起学习了RNN为了防止过拟合的DropOut技术，
深度学习算法(第21期)----RNN中的Dropout技术
今天我们一起简单学习下RNN中的LSTM (Long Short-Term Memory)。
原始RNN的隐藏层只有一个状态，它对于短期的输入非常敏感。那么，假如我们再增加一个状态,让它来保存长期的状态，那么问题不就解决了么？LSTM就是这个思路，我们来一步一步的看下LSTM是怎么保存长期的状态的。
首先，我们先看下LSTM整体长什么样子，如下图：
从局部看，我们可以看到LSTM有三个门，分别为遗忘门，输入门和输出门。门是一种让信息选择式通过的方法，从图中也可以看到，这里其实是一个sigmoid神经网络层和信息的一个乘法操作，sigmoid可以让信号输出控制在0到1，这样通过一个乘法操作就能决定一个信息需要留下多少内容。接下来我们分别介绍下这三个门,一起学下这三个门是如何保存和更新长期状态的。
首先，最左边是一个遗忘门，遗忘门决定了哪些信息可以保留下来，哪些信息会遗忘掉。f(t)是x(t)和h(t-1)经过全连接层以及sigmoid层后的结果，它与c(t-1)相乘决定什么样的信息该保留，什么样的信息要遗忘。
其中LSTM中的公式如下：
接下来就是一个输入门，输入门由一个常规的RNN循环神经元g(t)和一个控制信息取舍的i(t)组成，g(t)跟一个常规的RNN神经元一样，输入为当前网络的输入值和上一个时刻的状态，经过一个全连接层和tanh激活函数，最后得到g(t)。g(t)的取舍收到i(t)的控制，i(t)跟遗忘门中的f(t),以及后面输出门中的o(t)一样。输入门的输出和遗忘门的输出叠加到一起，成为当前时刻长时状态c(t)。
最后，长时状态c(t)经过tanh激活后经输出门控制函数o(t)的取舍下，输出成为当前网络的输出值和当前时刻的短时状态h(t)。
整个网络就是这样，连起来用就如下图：
好了，至此，今天我们简单学习了RNN中LSTM，希望有些收获，下期我们将一起学习下RNN中的GRU模块，欢迎留言或进社区共同交流，喜欢的话，就点个“在看”吧，您也可以置顶公众号，第一时间接收最新内容。