通俗LSTM长短时记忆循环神经网络介绍

偏执的太偏执、 2022-03-15 13:37 304阅读 0赞

### 文章目录 ###

*  通俗LSTM长短时记忆循环神经网络介绍
 *   *  LSTM图解
     *   *  处理流程
         *  流程图解
         *  总结说明
     *  PyTorch实战
     *  参考资料

写作时间：2019-03-02 18:20:11

本文部分图片素材来自互联网，如有侵权，请联系作者删除！

# 通俗LSTM长短时记忆循环神经网络介绍 #

## LSTM图解 ##

### 处理流程 ###

在上一篇[文章][Link 1]中简单介绍了经典RNN模型，并提到了RNN的一些缺点。LSTM（Long Short-Term Memory）解决了经典RNN不能很好地保存长时序信息的缺点，得到了更加广泛地应用。下面简单说说LSTM的流程。  
![Long Short-Term Memory][]  
通过对比我们可以发现，LSTM和经典RNN有如下的区别：

*  除了中间状态H，还多了一个C
 *  每个循环网络的单元（Cell）变得复杂了（多了所谓的三道门“遗忘门”（forget gate），“输入门”（input gate）和“输出门”（output gate））

这里所谓的“门”其实就是选择性地对信息进行过滤，在实践中用`sigmoid`函数（在图中用 σ \\sigma σ表示）实现。

首先， t − 1 t-1 t−1时刻的输入 h t − 1 h\_\{t-1\} ht−1和 x t x\_t xt经过一个线性变换+`sigmoid`激活以后（这就是所谓的遗忘门），输出 f t f\_t ft。 f t f\_t ft再与 c t − 1 c\_\{t-1\} ct−1进行相乘（element-wise multiplication）得到一个中间结果。

然后， t − 1 t-1 t−1时刻的输入 h t − 1 h\_\{t-1\} ht−1和 x t x\_t xt经过另外一个线性变换+`sigmoid`激活以后（这就是所谓的输入门），输出 l t l\_t lt。同时， h t − 1 h\_\{t-1\} ht−1和 x t x\_t xt经过再另外一个线性变换+`tanh`激活以后），与 l t l\_t lt相乘得到一个中间结果。这个中间结果和上一步的中间结果相加（element-wise addition）得到 c t c\_t ct。

最后， t − 1 t-1 t−1时刻的输入 h t − 1 h\_\{t-1\} ht−1和 x t x\_t xt经过另外一个线性变换+`sigmoid`激活以后（这就是所谓的输出门），输出 o t o\_t ot。 o t o\_t ot与经过`tanh`的 c t c\_t ct相乘得到 h t h\_t ht。

至此，所有的状态更新完毕。

### 流程图解 ###

下面给出上面文字描述的步骤所对应的数学公式：

![LSTM第一步遗忘门][LSTM]  
![LSTM第二步输入门][LSTM 1]  
![LSTM得到中间状态C][LSTM_C]  
![LSTM第三步输出门][LSTM 2]

### 总结说明 ###

![LSTM数据管道][LSTM 3]

上图的左子图给出了对于每个门的输入和输出，右子图说明了每个门的作用。

## PyTorch实战 ##

我们还是以《[最简单的RNN回归模型入门][RNN]》中的使用Sin预测Cos的例子进行演示，代码跟之间的没有太大的区别，唯一的不同就是在中间状态更新的时候，现在有C和H两种中间状态需要更新。

import torch
    from torch import nn
    import numpy as np
    import matplotlib.pyplot as plt
    
    torch.manual_seed(2019)
    
    # 超参设置
    TIME_STEP = 20  # RNN时间步长
    INPUT_SIZE = 1  # RNN输入尺寸
    INIT_LR = 0.02  # 初始学习率
    N_EPOCHS = 100  # 训练回数
    
    
    class RNN(nn.Module):
        def __init__(self):
            super(RNN, self).__init__()
            self.rnn = nn.LSTM(
                input_size=INPUT_SIZE,
                hidden_size=32,  # RNN隐藏神经元个数
                num_layers=1,  # RNN隐藏层个数
            )
            self.out = nn.Linear(32, 1)
    
        def forward(self, x, h):
            # x (time_step, batch_size, input_size)
            # h (n_layers, batch, hidden_size)
            # out (time_step, batch_size, hidden_size)
            out, h = self.rnn(x, h)
            prediction = self.out(out)
            return prediction, h
    
    
    rnn = RNN()
    print(rnn)
    
    optimizer = torch.optim.Adam(rnn.parameters(), lr=INIT_LR)
    loss_func = nn.MSELoss()
    h_state = None  # 初始化隐藏层
    
    plt.figure()
    plt.ion()
    for step in range(N_EPOCHS):
        start, end = step * np.pi, (step + 1) * np.pi  # 时间跨度
        # 使用Sin函数预测Cos函数
        steps = np.linspace(start, end, TIME_STEP, dtype=np.float32, endpoint=False)
        x_np = np.sin(steps)
        y_np = np.cos(steps)
        x = torch.from_numpy(x_np[:, np.newaxis, np.newaxis])  # 尺寸大小为(time_step, batch, input_size)
        y = torch.from_numpy(y_np[:, np.newaxis, np.newaxis])
    
        prediction, h_state = rnn(x, h_state)  # RNN输出（预测结果，隐藏状态）
        h_state = (h_state[0].detach(), h_state[1].detach())  # 注意这里和原来的RNN的不同
        loss = loss_func(prediction, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
        # 绘制中间结果
        plt.cla()
        plt.plot(steps, y_np, 'r-')
        plt.plot(steps, prediction.data.numpy().flatten(), 'b-')
        plt.draw()
        plt.pause(0.1)
    plt.ioff()
    plt.show()

当`TIME_STEP`设置为20的时候，输出结果如下：  
![LSTM Sin预测Cos][LSTM Sin_Cos]

## 参考资料 ##

1.  [Understanding LSTM Networks][]
2.  [Understanding LSTM and its diagrams][]

[Link 1]: https://blog.csdn.net/theonegis/article/details/88084305
[Long Short-Term Memory]: /images/20220315/b555b96dc8e74f01953cfac9cd4575f1.png
[LSTM]: /images/20220315/4a58145ec39c4a7b9a7ea5a09493dec5.png
[LSTM 1]: /images/20220315/3a361d889f5546bfb91d5a933a6129b1.png
[LSTM_C]: /images/20220315/41378e5d36ff4f6cbf1369a1fd2297f7.png
[LSTM 2]: /images/20220315/6490ab5fee0246f29ad7909dcd27aad9.png
[LSTM 3]: /images/20220315/408cf00ab0ae48b380c4f52a7e3c4eff.png
[RNN]: https://blog.csdn.net/theonegis
[LSTM Sin_Cos]: /images/20220315/2341db51c37e41e2af6756dd5738b1ab.png
[Understanding LSTM Networks]: http://colah.github.io/posts/2015-08-Understanding-LSTMs/
[Understanding LSTM and its diagrams]: https://medium.com/mlreview/understanding-lstm-and-its-diagrams-37e2f46f1714