浅说 Lstm

一 简介：

　　LSTM算法的全称是长短期记忆网络（long short–term memory），由LSTM算法对标准的RNN进行的改进，它规避了标准的RNN中的梯度爆炸和梯度消失的问题，学习速度更快。

二 原理

　　lstm 结构：

　　　　一个一个神经元首尾相接，同一层会把前面单元的输出作为后面单元的输入，前一层的输出会作为后一层的输入。

　　　　忘记门：

　　　　　　作用：将细胞状态中的信息选择性的遗忘， 即丢掉老的不用的信息

　　　　产生要更新的新信息：

　　　　更新细胞状态:

　　　　　　　　　　新细胞状态 = 旧细胞状态 × 忘记门结果 + 要更新的新信息

　　　　确定输出:

　　　　　　先确定细胞状态输出哪些部分：

　　　　　　　　

 

　　　　　　确定输出部分：

　　　　　　　　

　　　　　　

 

 

三 案例

　　手写数字识别案例

　　　　#!/usr/bin/env python3

　　　　 #encoding: utf-8

　　　　'''
　　　　　　@author: bigcome
　　　　　　@desc:
　　　　　　@time: 2018/11/9 15:37
　　　　'''

　　　　import tensorflow as tf
　　　　from tensorflow.examples.tutorials.mnist import input_data

　　　　# 载入数据集
　　　　mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

　　　　# 输入图片是28*28
　　　　n_inputs = 28  # 输入一行，一行有28个数据
　　　　max_time = 28  # 一共28行
　　　　lstm_size = 100  # 隐层单元
　　　　n_classes = 10  # 10个分类
　　　　batch_size = 50  # 每批次50个样本
　　　　n_batch = mnist.train.num_examples // batch_size  # 计算一共有多少个批次

　　　　# 这里的none表示第一个维度可以是任意的长度
　　　　x = tf.placeholder(tf.float32, [None, 784])
　　　　# 正确的标签
　　　　y = tf.placeholder(tf.float32, [None, 10])

　　　　# 初始化权值
　　　　weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
　　　　# 初始化偏置值
　　　　biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))


　　　　# 定义RNN网络
　　　　　def RNN(X, weights, biases):
   　　 # inputs=[batch_size, max_time, n_inputs]
    　　　　inputs = tf.reshape(X, [-1, max_time, n_inputs])
    　　# 定义LSTM基本CELL
    　　　　lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)
    　　# final_state[0]是cell state
    　　# final_state[1]是hidden_state
    　　　　outputs, final_state = tf.nn.dynamic_rnn(lstm_cell, inputs, dtype=tf.float32)
    　　　　results = tf.nn.softmax(tf.matmul(final_state[1], weights) + biases)
    　　　　return results


　　　　# 计算RNN的返回结果
　　　　prediction = RNN(x, weights, biases)
　　　　# 损失函数
　　　　cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=y))
　　　　# 使用AdamOptimizer进行优化
　　　　train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
　　　　# 结果存放在一个布尔型列表中
　　　　correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))  # argmax返回一维张量中最大的值所在的位置
　　　　# 求准确率
　　　　accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 把correct_prediction变为float32类型
　　　　# 初始化
　　　　init = tf.global_variables_initializer()

　　　　with tf.Session() as sess:
    　　　　sess.run(init)
    　　　　for epoch in range(6):
        　　　　for batch in range(n_batch):
            　　　　batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            　　　　sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})

        　　　　acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
       　　　　 print("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))