网站被恶意点击怎么办,汽车网站建设目的,aso优化重要吗,湖南定制响应式网站有哪些目录
#x1f354; LSTM介绍
#x1f354; LSTM的内部结构图
2.1 LSTM结构分析
2.2 Bi-LSTM介绍
2.3 使用Pytorch构建LSTM模型
2.4 LSTM优缺点
#x1f354; 小结 学习目标 #x1f340; 了解LSTM内部结构及计算公式. #x1f340; 掌握Pytorch中LSTM工具的使用. LSTM介绍 LSTM的内部结构图
2.1 LSTM结构分析
2.2 Bi-LSTM介绍
2.3 使用Pytorch构建LSTM模型
2.4 LSTM优缺点 小结 学习目标 了解LSTM内部结构及计算公式. 掌握Pytorch中LSTM工具的使用. 了解LSTM的优势与缺点. LSTM介绍
LSTMLong Short-Term Memory也称长短时记忆结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象. 同时LSTM的结构更复杂,。 它的核心结构可以分为四个部分去解析: 遗忘门输入门细胞状态输出门 LSTM的内部结构图
2.1 LSTM结构分析 结构解释图: 遗忘门部分结构图与计算公式: 遗忘门结构分析: 与传统RNN的内部结构计算非常相似, 首先将当前时间步输入x(t)与上一个时间步隐含状态h(t-1)拼接, 得到[x(t), h(t-1)], 然后通过一个全连接层做变换, 最后通过sigmoid函数进行激活得到f(t), 我们可以将f(t)看作是门值, 好比一扇门开合的大小程度, 门值都将作用在通过该扇门的张量, 遗忘门门值将作用的上一层的细胞状态上, 代表遗忘过去的多少信息, 又因为遗忘门门值是由x(t), h(t-1)计算得来的, 因此整个公式意味着根据当前时间步输入和上一个时间步隐含状态h(t-1)来决定遗忘多少上一层的细胞状态所携带的过往信息. 遗忘门内部结构过程演示: 激活函数sigmiod的作用: 用于帮助调节流经网络的值, sigmoid函数将值压缩在0和1之间. 输入门部分结构图与计算公式: 输入门结构分析: 我们看到输入门的计算公式有两个, 第一个就是产生输入门门值的公式, 它和遗忘门公式几乎相同, 区别只是在于它们之后要作用的目标上. 这个公式意味着输入信息有多少需要进行过滤. 输入门的第二个公式是与传统RNN的内部结构计算相同. 对于LSTM来讲, 它得到的是当前的细胞状态, 而不是像经典RNN一样得到的是隐含状态. 输入门内部结构过程演示: 细胞状态更新图与计算公式: 细胞状态更新分析: 细胞更新的结构与计算公式非常容易理解, 这里没有全连接层, 只是将刚刚得到的遗忘门门值与上一个时间步得到的C(t-1)相乘, 再加上输入门门值与当前时间步得到的未更新C(t)相乘的结果. 最终得到更新后的C(t)作为下一个时间步输入的一部分. 整个细胞状态更新过程就是对遗忘门和输入门的应用. 细胞状态更新过程演示: 输出门部分结构图与计算公式: 输出门结构分析: 输出门部分的公式也是两个, 第一个即是计算输出门的门值, 它和遗忘门输入门计算方式相同. 第二个即是使用这个门值产生隐含状态h(t), 他将作用在更新后的细胞状态C(t)上, 并做tanh激活, 最终得到h(t)作为下一时间步输入的一部分. 整个输出门的过程, 就是为了产生隐含状态h(t). 输出门内部结构过程演示: 2.2 Bi-LSTM介绍
Bi-LSTM即双向LSTM, 它没有改变LSTM本身任何的内部结构, 只是将LSTM应用两次且方向不同, 再将两次得到的LSTM结果进行拼接作为最终输出. Bi-LSTM结构分析: 我们看到图中对我爱中国这句话或者叫这个输入序列, 进行了从左到右和从右到左两次LSTM处理, 将得到的结果张量进行了拼接作为最终输出. 这种结构能够捕捉语言语法中一些特定的前置或后置特征, 增强语义关联,但是模型参数和计算复杂度也随之增加了一倍, 一般需要对语料和计算资源进行评估后决定是否使用该结构.
2.3 使用Pytorch构建LSTM模型 位置: 在torch.nn工具包之中, 通过torch.nn.LSTM可调用. nn.LSTM类初始化主要参数解释: input_size: 输入张量x中特征维度的大小.hidden_size: 隐层张量h中特征维度的大小.num_layers: 隐含层的数量.bidirectional: 是否选择使用双向LSTM, 如果为True, 则使用; 默认不使用. nn.LSTM类实例化对象主要参数解释: input: 输入张量x.h0: 初始化的隐层张量h.c0: 初始化的细胞状态张量c. nn.LSTM使用示例:
# 定义LSTM的参数含义: (input_size, hidden_size, num_layers)
# 定义输入张量的参数含义: (sequence_length, batch_size, input_size)
# 定义隐藏层初始张量和细胞初始状态张量的参数含义:
# (num_layers * num_directions, batch_size, hidden_size) import torch.nn as nnimport torchrnn nn.LSTM(5, 6, 2)input torch.randn(1, 3, 5)h0 torch.randn(2, 3, 6)c0 torch.randn(2, 3, 6)output, (hn, cn) rnn(input, (h0, c0))output
tensor([[[ 0.0447, -0.0335, 0.1454, 0.0438, 0.0865, 0.0416],[ 0.0105, 0.1923, 0.5507, -0.1742, 0.1569, -0.0548],[-0.1186, 0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]],grad_fnStackBackward)hn
tensor([[[ 0.4647, -0.2364, 0.0645, -0.3996, -0.0500, -0.0152],[ 0.3852, 0.0704, 0.2103, -0.2524, 0.0243, 0.0477],[ 0.2571, 0.0608, 0.2322, 0.1815, -0.0513, -0.0291]],[[ 0.0447, -0.0335, 0.1454, 0.0438, 0.0865, 0.0416],[ 0.0105, 0.1923, 0.5507, -0.1742, 0.1569, -0.0548],[-0.1186, 0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]],grad_fnStackBackward)cn
tensor([[[ 0.8083, -0.5500, 0.1009, -0.5806, -0.0668, -0.1161],[ 0.7438, 0.0957, 0.5509, -0.7725, 0.0824, 0.0626],[ 0.3131, 0.0920, 0.8359, 0.9187, -0.4826, -0.0717]],[[ 0.1240, -0.0526, 0.3035, 0.1099, 0.5915, 0.0828],[ 0.0203, 0.8367, 0.9832, -0.4454, 0.3917, -0.1983],[-0.2976, 0.7764, -0.0074, -0.1965, -0.1343, -0.6683]]],grad_fnStackBackward)2.4 LSTM优缺点 LSTM优势: LSTM的门结构能够有效减缓长序列问题中可能出现的梯度消失或爆炸, 虽然并不能杜绝这种现象, 但在更长的序列问题上表现优于传统RNN. LSTM缺点: 由于内部结构相对较复杂, 因此训练效率在同等算力下较传统RNN低很多. 小结 LSTMLong Short-Term Memory也称长短时记忆结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象. 同时LSTM的结构更复杂, 它的核心结构可以分为四个部分去解析: 遗忘门输入门输出门细胞状态 遗忘门结构分析: 与传统RNN的内部结构计算非常相似, 首先将当前时间步输入x(t)与上一个时间步隐含状态h(t-1)拼接, 得到[x(t), h(t-1)], 然后通过一个全连接层做变换, 最后通过sigmoid函数进行激活得到f(t), 我们可以将f(t)看作是门值, 好比一扇门开合的大小程度, 门值都将作用在通过该扇门的张量, 遗忘门门值将作用的上一层的细胞状态上, 代表遗忘过去的多少信息, 又因为遗忘门门值是由x(t), h(t-1)计算得来的, 因此整个公式意味着根据当前时间步输入和上一个时间步隐含状态h(t-1)来决定遗忘多少上一层的细胞状态所携带的过往信息. 输入门结构分析: 我们看到输入门的计算公式有两个, 第一个就是产生输入门门值的公式, 它和遗忘门公式几乎相同, 区别只是在于它们之后要作用的目标上. 这个公式意味着输入信息有多少需要进行过滤. 输入门的第二个公式是与传统RNN的内部结构计算相同. 对于LSTM来讲, 它得到的是当前的细胞状态, 而不是像经典RNN一样得到的是隐含状态. 细胞状态更新分析: 细胞更新的结构与计算公式非常容易理解, 这里没有全连接层, 只是将刚刚得到的遗忘门门值与上一个时间步得到的C(t-1)相乘, 再加上输入门门值与当前时间步得到的未更新C(t)相乘的结果. 最终得到更新后的C(t)作为下一个时间步输入的一部分. 整个细胞状态更新过程就是对遗忘门和输入门的应用. 输出门结构分析: 输出门部分的公式也是两个, 第一个即是计算输出门的门值, 它和遗忘门输入门计算方式相同. 第二个即是使用这个门值产生隐含状态h(t), 他将作用在更新后的细胞状态C(t)上, 并做tanh激活, 最终得到h(t)作为下一时间步输入的一部分. 整个输出门的过程, 就是为了产生隐含状态h(t). 什么是Bi-LSTM ? Bi-LSTM即双向LSTM, 它没有改变LSTM本身任何的内部结构, 只是将LSTM应用两次且方向不同, 再将两次得到的LSTM结果进行拼接作为最终输出. Pytorch中LSTM工具的使用: 位置: 在torch.nn工具包之中, 通过torch.nn.LSTM可调用. LSTM优势: LSTM的门结构能够有效减缓长序列问题中可能出现的梯度消失或爆炸, 虽然并不能杜绝这种现象, 但在更长的序列问题上表现优于传统RNN. LSTM缺点: 由于内部结构相对较复杂, 因此训练效率在同等算力下较传统RNN低很多.
