往期回顾
在上一篇文章中,我们介绍了循环神经网络以及它的训练算法。我们也介绍了循环神经网络很难训练的原因,这导致了它在实际应用中,很难处理长距离的依赖。在本文中,我们将介绍一种改进之后的循环神经网络:长短时记忆网络(Long Short Term Memory Network, LSTM),它成功的解决了原始循环神经网络的缺陷,成为当前最流行的RNN,在语音识别、图片描述、自然语言处理等许多领域中成功应用。但不幸的一面是,LSTM的结构很复杂,因此,我们需要花上一些力气,才能把LSTM以及它的训练算法弄明白。在搞清楚LSTM之后,我们再介绍一种LSTM的变体:GRU (Gated Recurrent Unit)。 它的结构比LSTM简单,而效果却和LSTM一样好,因此,它正在逐渐流行起来。最后,我们仍然会动手实现一个LSTM。
长短时记忆网络是啥
我们首先了解一下长短时记忆网络产生的背景。回顾一下深度学习实战教程(五):循环神经网络中推导的,误差项沿时间反向传播的公式:
我们可以根据下面的不等式,来获取\(\delta_k^T\)的模的上界(模可以看做对\(\delta_k^T\)中每一项值的大小的度量):
我们可以看到,误差项\(\delta\)从t时刻传递到k时刻,其值的上界是\(\beta_f\beta_w\)的指数函数。\(\beta_f\beta_w\)分别是对角矩阵\(diag[f'(\mathbf{net}_{i})]\)和矩阵W模的上界。显然,除非\(\beta_f\beta_w\)乘积的值位于1附近,否则,当t-k很大时(也就是误差传递很多个时刻时),整个式子的值就会变得极小(当\(\beta_f\beta_w\)乘积小于1)或者极大(当\(\beta_f\beta_w\)乘积大于1),前者就是梯度消失,后者就是梯度爆炸。虽然科学家们搞出了很多技巧(比如怎样初始化权重),让\(\beta_f\beta_w\)的值尽可能贴近于1,终究还是难以抵挡指数函数的威力。
梯度消失到底意味着什么?在深度学习实战教程(五):循环神经网络中我们已证明,权重数组W最终的梯度是各个时刻的梯度之和,即:
假设某轮训练中,各时刻的梯度以及最终的梯度之和如下图:
我们就可以看到,从上图的t-3时刻开始,梯度已经几乎减少到0了。那么,从这个时刻开始再往之前走,得到的梯度(几乎为零)就不会对最终的梯度值有任何贡献,这就相当于无论t-3时刻之前的网络状态h是什么,在训练中都不会对权重数组W的更新产生影响,也就是网络事实上已经忽略了t-3时刻之前的状态。这就是原始RNN无法处理长距离依赖的原因。
既然找到了问题的原因,那么我们就能解决它。从问题的定位到解决,科学家们大概花了7、8年时间。终于有一天,Hochreiter和Schmidhuber两位科学家发明出长短时记忆网络,一举解决这个问题。
其实,长短时记忆网络的思路比较简单。原始RNN的隐藏层只有一个状态,即h,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,即c,让它来保存长期的状态,那么问题不就解决了么?如下图所示:
新增加的状态c,称为单元状态(cell state)。我们把上图按照时间维度展开:
上图仅仅是一个示意图,我们可以看出,在t时刻,LSTM的输入有三个:当前时刻网络的输入值\(\mathbf{x}_t\)、上一时刻LSTM的输出值\(\mathbf{h}_{t-1}\)、以及上一时刻的单元状态\(\mathbf{c}_{t-1}\);LSTM的输出有两个:当前时刻LSTM输出值\(\mathbf{h}_{t}\)、和当前时刻的单元状态\(\mathbf{c}_{t}\)。注意x、h、c都是向量。
LSTM的关键,就是怎样控制长期状态c。在这里,LSTM的思路是使用三个控制开关。第一个开关,负责控制继续保存长期状态c;第二个开关,负责控制把即时状态输入到长期状态c;第三个开关,负责控制是否把长期状态c作为当前的LSTM的输出。三个开关的作用如下图所示:
接下来,我们要描述一下,输出h和单元状态c的具体计算方法。
长短时记忆网络的前向计算
前面描述的开关是怎样在算法中实现的呢?这就用到了门(gate)的概念。门实际上就是一层全连接层,它的输入是一个向量,输出是一个0到1之间的实数向量。假设W是门的权重向量,b是偏置项,那么门可以表示为:
门的使用,就是用门的输出向量按元素乘以我们需要控制的那个向量。因为门的输出是0到1之间的实数向量,那么,当门输出为0时,任何向量与之相乘都会得到0向量,这就相当于啥都不能通过;输出为1时,任何向量与之相乘都不会有任何改变,这就相当于啥都可以通过。因为\(\sigma\)(也就是sigmoid函数)的值域是(0,1),所以门的状态都是半开半闭的。
LSTM用两个门来控制单元状态c的内容,一个是遗忘门(forget gate),它决定了上一时刻的单元状态\(\mathbf{c}_{t-1}\)有多少保留到当前时刻\(\mathbf{c}_{t}\);另一个是输入门(input gate),它决定了当前时刻网络的输入\(\mathbf{x}_t\)有多少保存到单元状态\(\mathbf{c}_{t}\)。LSTM用输出门(output gate)来控制单元状态\(\mathbf{c}_{t}\)有多少输出到LSTM的当前输出值\(\mathbf{h}_t\)。
我们先来看一下遗忘门:
上式中,\(W_f\)是遗忘门的权重矩阵,\([\mathbf{h}_{t-1},\mathbf{x}_t]\)表示把两个向量连接成一个更长的向量,\(\mathbf{b}_f\)是遗忘门的偏置项,\(\sigma\)是sigmoid函数。如果输入的维度是\(d_x\),隐藏层的维度是\(d_h\),单元状态的维度是\(d_c\)(通常\(d_c=d_h\)),则遗忘门的权重矩阵\(W_f\)维度是\(d_c\times (d_h+d_x)\)。事实上,权重矩阵\(W_f\)都是两个矩阵拼接而成的:一个是\(W_{fh}\),它对应着输入项\(\mathbf{h}_{t-1}\),其维度为\(d_c\times d_h\);一个是\(W_{fx}\),它对应着输入项\(\mathbf{x}_t\),其维度为\(d_c\times d_x\)。\(W_f\)可以写为:
下图显示了遗忘门的计算:
接下来看看输入门:
上式中,\(W_i\)是输入门的权重矩阵,\(\mathbf{b}_i\)是输入门的偏置项。下图表示了输入门的计算:
接下来,我们计算用于描述当前输入的单元状态\(\mathbf{\tilde{c}}_t\),它是根据上一次的输出和本次输入来计算的:
下图是\(\mathbf{\tilde{c}}_t\)的计算:
现在,我们计算当前时刻的单元状态\(\mathbf{c}_t\)。它是由上一次的单元状态\(\mathbf{c}_{t-1}\)按元素乘以遗忘门\(f_t\),再用当前输入的单元状态\(\mathbf{\tilde{c}}_t\)按元素乘以输入门\(i_t\),再将两个积加和产生的:
符号\(\circ\)表示按元素乘。下图是\(\mathbf{c}_t\)的计算:
这样,我们就把LSTM关于当前的记忆\(\mathbf{\tilde{c}}_t\)和长期的记忆\(\mathbf{c}_{t-1}\)组合在一起,形成了新的单元状态\(\mathbf{c}_{t}\)。由于遗忘门的控制,它可以保存很久很久之前的信息,由于输入门的控制,它又可以避免当前无关紧要的内容进入记忆。下面,我们要看看输出门,它控制了长期记忆对当前输出的影响:
下图表示输出门的计算:
LSTM最终的输出,是由输出门和单元状态共同确定的:
下图表示LSTM最终输出的计算:
式1到式6就是LSTM前向计算的全部公式。至此,我们就把LSTM前向计算讲完了。
长短时记忆网络的训练
熟悉我们这个系列文章的同学都清楚,训练部分往往比前向计算部分复杂多了。LSTM的前向计算都这么复杂,那么,可想而知,它的训练算法一定是非常非常复杂的。现在只有做几次深呼吸,再一头扎进公式海洋吧。
LSTM训练算法框架
LSTM的训练算法仍然是反向传播算法,对于这个算法,我们已经非常熟悉了。主要有下面三个步骤:
- 前向计算每个神经元的输出值,对于LSTM来说,即\(\mathbf{f}_t\)、\(\mathbf{i}_t\)、\(\mathbf{c}_t\)、\(\mathbf{o}_t\)、\(\mathbf{h}_t\)五个向量的值。计算方法已经在上一节中描述过了。
- 反向计算每个神经元的误差项\(\delta\)值。与循环神经网络一样,LSTM误差项的反向传播也是包括两个方向:一个是沿时间的反向传播,即从当前t时刻开始,计算每个时刻的误差项;一个是将误差项向上一层传播。
- 根据相应的误差项,计算每个权重的梯度。
关于公式和符号的说明
首先,我们对推导中用到的一些公式、符号做一下必要的说明。
接下来的推导中,我们设定gate的激活函数为sigmoid函数,输出的激活函数为tanh函数。他们的导数分别为:
从上面可以看出,sigmoid和tanh函数的导数都是原函数的函数。这样,我们一旦计算原函数的值,就可以用它来计算出导数的值。
LSTM需要学习的参数共有8组,分别是:遗忘门的权重矩阵\(W_f\)和偏置项\(b_f\)、输入门的权重矩阵\(W_i\)和偏置项\(b_i\)、输出门的权重矩阵\(W_o\)和偏置项\(b_o\),以及计算单元状态的权重矩阵\(W_c\)和偏置项\(b_c\)。因为权重矩阵的两部分在反向传播中使用不同的公式,因此在后续的推导中,权重矩阵\(W_f\)、\(W_i\)、\(W_c\)、\(W_o\)都将被写为分开的两个矩阵:\(W_{fh}\)、\(W_{fx}\)、\(W_{ih}\)、\(W_{ix}\)、\(W_{oh}\)、\(W_{ox}\)、\(W_{ch}\)、\(W_{cx}\)。
我们解释一下按元素乘\(\circ\)符号。当\(\circ\)作用于两个向量时,运算如下:
当\(\circ\)作用于一个向量和一个矩阵时,运算如下:
当\(\circ\)作用于两个矩阵时,两个矩阵对应位置的元素相乘。按元素乘可以在某些情况下简化矩阵和向量运算。例如,当一个对角矩阵右乘一个矩阵时,相当于用对角矩阵的对角线组成的向量按元素乘那个矩阵:
当一个行向量右乘一个对角矩阵时,相当于这个行向量按元素乘那个矩阵对角线组成的向量:
上面这两点,在我们后续推导中会多次用到。
在t时刻,LSTM的输出值为\(\mathbf{h}_t\)。我们定义t时刻的误差项\(\delta_t\)为:
注意,和前面几篇文章不同,我们这里假设误差项是损失函数对输出值的导数,而不是对加权输入\(net_t^l\)的导数。因为LSTM有四个加权输入,分别对应\(\mathbf{f}_t\)、\(\mathbf{i}_t\)、\(\mathbf{c}_t\)、\(\mathbf{o}_t\),我们希望往上一层传递一个误差项而不是四个。但我们仍然需要定义出这四个加权输入,以及他们对应的误差项。
误差项沿时间的反向传递
沿时间反向传递误差项,就是要计算出t-1时刻的误差项\(\delta_{t-1}\)。
我们知道,\(\frac{\partial{\mathbf{h_t}}}{\partial{\mathbf{h_{t-1}}}}\)是一个Jacobian矩阵。如果隐藏层h的维度是N的话,那么它就是一个\(N\times N\)矩阵。为了求出它,我们列出\(\mathbf{h}_t\)的计算公式,即前面的式6和式4:
显然,\(\mathbf{o}_t\)、\(\mathbf{f}_t\)、\(\mathbf{i}_t\)、\(\mathbf{f}_t\)、\(\mathbf{\tilde{c}}_t\)都是\(\mathbf{h}_{t-1}\)的函数,那么,利用全导数公式可得:
下面,我们要把式7中的每个偏导数都求出来。根据式6,我们可以求出:
根据式4,我们可以求出:
因为:
我们很容易得出:
将上述偏导数带入到式7,我们得到:
根据\(\delta_{o,t}\)、\(\delta_{f,t}\)、\(\delta_{i,t}\)、\(\delta_{\tilde{c},t}\)的定义,可知:
式8到式12就是将误差沿时间反向传播一个时刻的公式。有了它,我们可以写出将误差项向前传递到任意k时刻的公式:
将误差项传递到上一层
我们假设当前为第l层,定义l-1层的误差项是误差函数对l-1层加权输入的导数,即:
本次LSTM的输入\(x_t\)由下面的公式计算:
上式中,\(f^{l-1}\)表示第l-1层的激活函数。
因为\(\mathbf{net}_{f,t}^l\)、\(\mathbf{net}_{i,t}^l\)、\(\mathbf{net}_{\tilde{c},t}^l\)、\(\mathbf{net}_{o,t}^l\)都是\(\mathbf{x}_t\)的函数,\(\mathbf{x}_t\)又是\(\mathbf{net}_t^{l-1}\)的函数,因此,要求出E对\(\mathbf{net}_t^{l-1}\)的导数,就需要使用全导数公式:
式14就是将误差传递到上一层的公式。
权重梯度的计算
对于\(W_{fh}\)、\(W_{ih}\)、\(W_{ch}\)、\(W_{oh}\)的权重梯度,我们知道它的梯度是各个时刻梯度之和(证明过程请参考文章深度学习实战教程(五):循环神经网络,我们首先求出它们在t时刻的梯度,然后再求出他们最终的梯度。
我们已经求得了误差项您需要选择一个短代码\(\delta_{o,t}\)、\(\delta_{f,t}\)、\(\delta_{i,t}\)、\(\delta_{\tilde{c},t}\),很容易求出t时刻的\(W_{oh}\)、\(W_{ih}\)、\(W_{fh}\)、\(W_{ch}\):
将各个时刻的梯度加在一起,就能得到最终的梯度:
对于偏置项\(\mathbf{b}_f\)、\(\mathbf{b}_i\)、\(\mathbf{b}_c\)、\(\mathbf{b}_o\)的梯度,也是将各个时刻的梯度加在一起。下面是各个时刻的偏置项梯度:
下面是最终的偏置项梯度,即将各个时刻的偏置项梯度加在一起:
对于\(W_{fx}\)、\(W_{ix}\)、\(W_{cx}\)、\(W_{ox}\)的权重梯度,只需要根据相应的误差项直接计算即可:
以上就是LSTM的训练算法的全部公式。因为这里面存在很多重复的模式,仔细看看,会发觉并不是太复杂。
当然,LSTM存在着相当多的变体,读者可以在互联网上找到很多资料。因为大家已经熟悉了基本LSTM的算法,因此理解这些变体比较容易,因此本文就不再赘述了。
长短时记忆网络的实现
完整代码请参考GitHub:点击查看
在下面的实现中,LSTMLayer的参数包括输入维度、输出维度、隐藏层维度,单元状态维度等于隐藏层维度。gate的激活函数为sigmoid函数,输出的激活函数为tanh。
激活函数的实现
我们先实现两个激活函数:sigmoid和tanh。
class SigmoidActivator(object): def forward(self, weighted_input): return 1.0 / (1.0 + np.exp(-weighted_input)) def backward(self, output): return output * (1 - output) class TanhActivator(object): def forward(self, weighted_input): return 2.0 / (1.0 + np.exp(-2 * weighted_input)) - 1.0 def backward(self, output): return 1 - output * output
LSTM初始化
和前两篇文章代码架构一样,我们把LSTM的实现放在LstmLayer类中。
根据LSTM前向计算和方向传播算法,我们需要初始化一系列矩阵和向量。这些矩阵和向量有两类用途,一类是用于保存模型参数,例如\(W_f\)、\(W_i\)、\(W_o\)、\(b_f\)、\(b_i\)、\(b_o\)、\(b_c\);另一类是保存各种中间计算结果,以便于反向传播算法使用,它们包括\(\mathbf{h}_t\)、\(\mathbf{f}_t\)、\(\mathbf{i}_t\)、\(\mathbf{o}_t\)、\(\mathbf{c}_t\)、\(\mathbf{\tilde{c}}_t\)、\(\delta_t\)、\(\delta_{f,t}\)、\(\delta_{i,t}\)、\(\delta_{o,t}\)、\(\delta_{\tilde{c},t}\),以及各个权重对应的梯度。
在构造函数的初始化中,只初始化了与forward计算相关的变量,与backward相关的变量没有初始化。这是因为构造LSTM对象的时候,我们还不知道它未来是用于训练(既有forward又有backward)还是推理(只有forward)。
class LstmLayer(object): def __init__(self, input_width, state_width, learning_rate): self.input_width = input_width self.state_width = state_width self.learning_rate = learning_rate # 门的激活函数 self.gate_activator = SigmoidActivator() # 输出的激活函数 self.output_activator = TanhActivator() # 当前时刻初始化为t0 self.times = 0 # 各个时刻的单元状态向量c self.c_list = self.init_state_vec() # 各个时刻的输出向量h self.h_list = self.init_state_vec() # 各个时刻的遗忘门f self.f_list = self.init_state_vec() # 各个时刻的输入门i self.i_list = self.init_state_vec() # 各个时刻的输出门o self.o_list = self.init_state_vec() # 各个时刻的即时状态c~ self.ct_list = self.init_state_vec() # 遗忘门权重矩阵Wfh, Wfx, 偏置项bf self.Wfh, self.Wfx, self.bf = ( self.init_weight_mat()) # 输入门权重矩阵Wfh, Wfx, 偏置项bf self.Wih, self.Wix, self.bi = ( self.init_weight_mat()) # 输出门权重矩阵Wfh, Wfx, 偏置项bf self.Woh, self.Wox, self.bo = ( self.init_weight_mat()) # 单元状态权重矩阵Wfh, Wfx, 偏置项bf self.Wch, self.Wcx, self.bc = ( self.init_weight_mat()) def init_state_vec(self): ''' 初始化保存状态的向量 ''' state_vec_list = [] state_vec_list.append(np.zeros( (self.state_width, 1))) return state_vec_list def init_weight_mat(self): ''' 初始化权重矩阵 ''' Wh = np.random.uniform(-1e-4, 1e-4, (self.state_width, self.state_width)) Wx = np.random.uniform(-1e-4, 1e-4, (self.state_width, self.input_width)) b = np.zeros((self.state_width, 1)) return Wh, Wx, b
前向计算的实现
forward方法实现了LSTM的前向计算:
def forward(self, x): ''' 根据式1-式6进行前向计算 ''' self.times += 1 # 遗忘门 fg = self.calc_gate(x, self.Wfx, self.Wfh, self.bf, self.gate_activator) self.f_list.append(fg) # 输入门 ig = self.calc_gate(x, self.Wix, self.Wih, self.bi, self.gate_activator) self.i_list.append(ig) # 输出门 og = self.calc_gate(x, self.Wox, self.Woh, self.bo, self.gate_activator) self.o_list.append(og) # 即时状态 ct = self.calc_gate(x, self.Wcx, self.Wch, self.bc, self.output_activator) self.ct_list.append(ct) # 单元状态 c = fg * self.c_list[self.times - 1] + ig * ct self.c_list.append(c) # 输出 h = og * self.output_activator.forward(c) self.h_list.append(h) def calc_gate(self, x, Wx, Wh, b, activator): ''' 计算门 ''' h = self.h_list[self.times - 1] # 上次的LSTM输出 net = np.dot(Wh, h) + np.dot(Wx, x) + b gate = activator.forward(net) return gate
从上面的代码我们可以看到,门的计算都是相同的算法,而门和\(\mathbf{\tilde{c}_t}\)的计算仅仅是激活函数不同。因此我们提出了calc_gate方法,这样减少了很多重复代码。
反向传播算法的实现
backward方法实现了LSTM的反向传播算法。需要注意的是,与backword相关的内部状态变量是在调用backward方法之后才初始化的。这种延迟初始化的一个好处是,如果LSTM只是用来推理,那么就不需要初始化这些变量,节省了很多内存。
def backward(self, x, delta_h, activator): ''' 实现LSTM训练算法 ''' self.calc_delta(delta_h, activator) self.calc_gradient(x)
算法主要分成两个部分,一部分使计算误差项:
def calc_delta(self, delta_h, activator): # 初始化各个时刻的误差项 self.delta_h_list = self.init_delta() # 输出误差项 self.delta_o_list = self.init_delta() # 输出门误差项 self.delta_i_list = self.init_delta() # 输入门误差项 self.delta_f_list = self.init_delta() # 遗忘门误差项 self.delta_ct_list = self.init_delta() # 即时输出误差项 # 保存从上一层传递下来的当前时刻的误差项 self.delta_h_list[-1] = delta_h # 迭代计算每个时刻的误差项 for k in range(self.times, 0, -1): self.calc_delta_k(k) def init_delta(self): ''' 初始化误差项 ''' delta_list = [] for i in range(self.times + 1): delta_list.append(np.zeros( (self.state_width, 1))) return delta_list def calc_delta_k(self, k): ''' 根据k时刻的delta_h,计算k时刻的delta_f、 delta_i、delta_o、delta_ct,以及k-1时刻的delta_h ''' # 获得k时刻前向计算的值 ig = self.i_list[k] og = self.o_list[k] fg = self.f_list[k] ct = self.ct_list[k] c = self.c_list[k] c_prev = self.c_list[k-1] tanh_c = self.output_activator.forward(c) delta_k = self.delta_h_list[k] # 根据式9计算delta_o delta_o = (delta_k * tanh_c * self.gate_activator.backward(og)) delta_f = (delta_k * og * (1 - tanh_c * tanh_c) * c_prev * self.gate_activator.backward(fg)) delta_i = (delta_k * og * (1 - tanh_c * tanh_c) * ct * self.gate_activator.backward(ig)) delta_ct = (delta_k * og * (1 - tanh_c * tanh_c) * ig * self.output_activator.backward(ct)) delta_h_prev = ( np.dot(delta_o.transpose(), self.Woh) + np.dot(delta_i.transpose(), self.Wih) + np.dot(delta_f.transpose(), self.Wfh) + np.dot(delta_ct.transpose(), self.Wch) ).transpose() # 保存全部delta值 self.delta_h_list[k-1] = delta_h_prev self.delta_f_list[k] = delta_f self.delta_i_list[k] = delta_i self.delta_o_list[k] = delta_o self.delta_ct_list[k] = delta_ct
另一部分是计算梯度:
def calc_gradient(self, x): # 初始化遗忘门权重梯度矩阵和偏置项 self.Wfh_grad, self.Wfx_grad, self.bf_grad = ( self.init_weight_gradient_mat()) # 初始化输入门权重梯度矩阵和偏置项 self.Wih_grad, self.Wix_grad, self.bi_grad = ( self.init_weight_gradient_mat()) # 初始化输出门权重梯度矩阵和偏置项 self.Woh_grad, self.Wox_grad, self.bo_grad = ( self.init_weight_gradient_mat()) # 初始化单元状态权重梯度矩阵和偏置项 self.Wch_grad, self.Wcx_grad, self.bc_grad = ( self.init_weight_gradient_mat()) # 计算对上一次输出h的权重梯度 for t in range(self.times, 0, -1): # 计算各个时刻的梯度 (Wfh_grad, bf_grad, Wih_grad, bi_grad, Woh_grad, bo_grad, Wch_grad, bc_grad) = ( self.calc_gradient_t(t)) # 实际梯度是各时刻梯度之和 self.Wfh_grad += Wfh_grad self.bf_grad += bf_grad self.Wih_grad += Wih_grad self.bi_grad += bi_grad self.Woh_grad += Woh_grad self.bo_grad += bo_grad self.Wch_grad += Wch_grad self.bc_grad += bc_grad print '-----%d-----' % t print Wfh_grad print self.Wfh_grad # 计算对本次输入x的权重梯度 xt = x.transpose() self.Wfx_grad = np.dot(self.delta_f_list[-1], xt) self.Wix_grad = np.dot(self.delta_i_list[-1], xt) self.Wox_grad = np.dot(self.delta_o_list[-1], xt) self.Wcx_grad = np.dot(self.delta_ct_list[-1], xt) def init_weight_gradient_mat(self): ''' 初始化权重矩阵 ''' Wh_grad = np.zeros((self.state_width, self.state_width)) Wx_grad = np.zeros((self.state_width, self.input_width)) b_grad = np.zeros((self.state_width, 1)) return Wh_grad, Wx_grad, b_grad def calc_gradient_t(self, t): ''' 计算每个时刻t权重的梯度 ''' h_prev = self.h_list[t-1].transpose() Wfh_grad = np.dot(self.delta_f_list[t], h_prev) bf_grad = self.delta_f_list[t] Wih_grad = np.dot(self.delta_i_list[t], h_prev) bi_grad = self.delta_f_list[t] Woh_grad = np.dot(self.delta_o_list[t], h_prev) bo_grad = self.delta_f_list[t] Wch_grad = np.dot(self.delta_ct_list[t], h_prev) bc_grad = self.delta_ct_list[t] return Wfh_grad, bf_grad, Wih_grad, bi_grad, \ Woh_grad, bo_grad, Wch_grad, bc_grad
梯度下降算法的实现
下面是用梯度下降算法来更新权重:
def update(self): ''' 按照梯度下降,更新权重 ''' self.Wfh -= self.learning_rate * self.Whf_grad self.Wfx -= self.learning_rate * self.Whx_grad self.bf -= self.learning_rate * self.bf_grad self.Wih -= self.learning_rate * self.Whi_grad self.Wix -= self.learning_rate * self.Whi_grad self.bi -= self.learning_rate * self.bi_grad self.Woh -= self.learning_rate * self.Wof_grad self.Wox -= self.learning_rate * self.Wox_grad self.bo -= self.learning_rate * self.bo_grad self.Wch -= self.learning_rate * self.Wcf_grad self.Wcx -= self.learning_rate * self.Wcx_grad self.bc -= self.learning_rate * self.bc_grad
梯度检查的实现
和RecurrentLayer一样,为了支持梯度检查,我们需要支持重置内部状态:
def reset_state(self): # 当前时刻初始化为t0 self.times = 0 # 各个时刻的单元状态向量c self.c_list = self.init_state_vec() # 各个时刻的输出向量h self.h_list = self.init_state_vec() # 各个时刻的遗忘门f self.f_list = self.init_state_vec() # 各个时刻的输入门i self.i_list = self.init_state_vec() # 各个时刻的输出门o self.o_list = self.init_state_vec() # 各个时刻的即时状态c~ self.ct_list = self.init_state_vec()
最后,是梯度检查的代码:
def data_set(): x = [np.array([[1], [2], [3]]), np.array([[2], [3], [4]])] d = np.array([[1], [2]]) return x, d def gradient_check(): ''' 梯度检查 ''' # 设计一个误差函数,取所有节点输出项之和 error_function = lambda o: o.sum() lstm = LstmLayer(3, 2, 1e-3) # 计算forward值 x, d = data_set() lstm.forward(x[0]) lstm.forward(x[1]) # 求取sensitivity map sensitivity_array = np.ones(lstm.h_list[-1].shape, dtype=np.float64) # 计算梯度 lstm.backward(x[1], sensitivity_array, IdentityActivator()) # 检查梯度 epsilon = 10e-4 for i in range(lstm.Wfh.shape[0]): for j in range(lstm.Wfh.shape[1]): lstm.Wfh[i,j] += epsilon lstm.reset_state() lstm.forward(x[0]) lstm.forward(x[1]) err1 = error_function(lstm.h_list[-1]) lstm.Wfh[i,j] -= 2*epsilon lstm.reset_state() lstm.forward(x[0]) lstm.forward(x[1]) err2 = error_function(lstm.h_list[-1]) expect_grad = (err1 - err2) / (2 * epsilon) lstm.Wfh[i,j] += epsilon print('weights(%d,%d): expected - actural %.4e - %.4e' % ( i, j, expect_grad, lstm.Wfh_grad[i,j])) return lstm
我们只对\(W_{fh}\)做了检查,读者可以自行增加对其他梯度的检查。下面是某次梯度检查的结果:
GRU
前面我们讲了一种普通的LSTM,事实上LSTM存在很多变体,许多论文中的LSTM都或多或少的不太一样。在众多的LSTM变体中,GRU (Gated Recurrent Unit)也许是最成功的一种。它对LSTM做了很多简化,同时却保持着和LSTM相同的效果。因此,GRU最近变得越来越流行。
GRU对LSTM做了两个大改动:
- 将输入门、遗忘门、输出门变为两个门:更新门(Update Gate)\(\mathbf{z}_t\)和重置门(Reset Gate)\(\mathbf{r}_t\)。
- 将单元状态与输出合并为一个状态:h。
GRU的前向计算公式为:
下图是GRU的示意图:
GRU的训练算法比LSTM简单一些,留给读者自行推导,本文就不再赘述了。
小结
至此,LSTM——也许是结构最复杂的一类神经网络——就讲完了,相信拿下前几篇文章的读者们搞定这篇文章也不在话下吧!现在我们已经了解循环神经网络和它最流行的变体——LSTM,它们都可以用来处理序列。但是,有时候仅仅拥有处理序列的能力还不够,还需要处理比序列更为复杂的结构(比如树结构),这时候就需要用到另外一类网络:递归神经网络(Recursive Neural Network),巧合的是,它的缩写也是RNN。在下一篇文章中,我们将介绍递归神经网络和它的训练算法。现在,漫长的烧脑暂告一段落,休息一下吧。
参考资料
- CS224d: Deep Learning for Natural Language Processing
- Understanding LSTM Networks
- LSTM Forward and Backward Pass
原文链接:https://zybuluo.com/hanbingtao/note/581764
感谢原作者的付出!
来源:
https://cuijiahua.com/blog/2019/01/dl-12.html