简单理解LSTM RNN

原文网址：http://colah.github.io/posts/2015-08-Understanding-LSTMs/

注：本文是根据原文的理解来摘译的，不是像其他博文仅仅是全盘翻译，因为自我感觉即使原文每一个词都认识，都会翻译，还是不容易通俗的理解（可能是我理解能力差吧）。所以，这里我只翻译了最主要的内容，然后写下自己查考其他资料的理解。

之所以是“试图理解”，是因为我的理解可能还有偏差，不够深入。所以要想深入，建议亲自看看原文。

 

RNN（Recurrent Neural Network 循环神经网络）

人们在理解的时候，比如读一篇文章，都会结合前文的意思来理解当前词语句子的意思，而不是看了后面就忘了前面，这样的话我们很难理解文章的意思。简而言之，我们的记忆可以持续。

但是传统的神经网络模型（Traditional Neural Network）却不能做到这一点，这也是它的一个主要的缺点。

RNN就是来解决这个问题的，它在网络中添加了“循环”（loops），让信息可以更持久。如图所示：

 

【RNN有环】

 

A代表一个神经网络，Xt为输入，Ht为输出，中间的环表示信息可以不断的在神经网络内传播，从上一步传到下一步。

但是光看这个图也是有点费解，可以将它展开，也就是说，上面的结构等价于下面这种结构：

 

 

【展开后的RNN】

 

这样就更清晰一些，相当于每一次神经网络的判断过程之后，都会把信息传给下一次判断过程，就类似于我们人脑的思考理解过程了。

 

事实上，RNNs确实取得了惊人的成就，在语音识别、语言模型、机器翻译、图像捕捉等方面获得了很好的效果。这些成就的核心，其实在于“LSTMs”的使用，LSTM是RNN的一种特殊形式，克服了传统或者说经典RNN模型的问题。

 

RNNs有啥问题呢？

原文作者举了个例子：”The clouds are in the ___.” 我们要根据前文判断这里应该填啥，很显然答案就是sky，因为这一句前面的信息可以直接推断出来，这也是RNN擅长的地方。

 

 

【短期的信息记忆】

 

但是很多时候，我们要推断一个词语，需要再前文很远的地方才能找到线索，比如说：”I lived in France, I worked there for many years, I…, I am now fluent in ___.”这里我们首先可以判断出应该填某种“语言”，但是究竟是哪个语言，就需要再往前找，也许很远很远，才能找到France这个词，这样才能确定答案是French。

面对这样的“长距离依赖”（Long-Term Dependencies），RNN的效果就开始变差了。虽然理论上可以通过仔细调参数在解决，但是在实践中，人们发现这个问题很难克服，即RNN很难学习到长距离的信息。

 

【距离一长，RNN就开始hold不住了】

幸好，LSTMs出来，解决了这个问题！

 

LSTM Networks（Long Short Term Memory Network长短期记忆网络）

其实LSTM最主要的改进之处，就是把神经网络层中对信息的处理变得更加复杂、精细了。先看看传统RNN的内部结构：

 

【RNN内部结构】

如图是三个神经网络，上一个网络的信息（即ht-1）直接传过来，配合当前网络的输入Xt，两者结合之后，再通过tanh层进行信息压缩，就形成当前网络的输出ht。

（这个tanh层就是一个函数，tanh就是双曲正切函数，可以将输入的值转化为-1到1之间的一个值，通常用于对信息的压缩处理，或者规范化处理。这里就不必深究了。）

 

LSTM的内部结构就稍微复杂一些了

 

LSTM内部结构

图中有三种元素：红色圈圈，黄色方块，黑色信息流。

红色的圈圈就是各种处理过程，×代表乘法，+就是加法，tanh就是经过tanh函数处理。

黄色方块代表神经网络的一个层，σ是指sigmoid函数层，把数据压缩到0到1的范围，0就代笔信息无法通过该层，1就代笔信息可以全部通过；tanh层就不解释了。

黑色信息流主要要注意信息的流向。

 

下面就一步步地分解上面的结构，逐层的理解：

 

1.Cell state（单元状态流）——LSTM的核心

单元状态流就是下面这个水平直线，它用于“记忆”当前的状态，上面包含记忆的删除、更新等。

 

 

【cell state】

 

LSTM有三个“门”来保护和控制cell state。

2.遗忘门

 

遗忘门

再次说明一下，ht-1是上个网络的output（输出），xt当前网络的input（输入）。

信息输入了之后，σ层就会把信息转化为ft，如果决定要忘记，ft就是0，如果这个信息要保留，则为1，选择部分记忆则按照实际情况输出0~1的数。

为什么要有“遗忘门”?例如，当我们碰到一个新的主语，如Peter，因为是男的，所以如果后面要用代词的话，就要用he而不能用she。但是可能我们在理解之前的语句的时候，cell state中保存的主语是Alice，这样的话我们就需要把Alice忘掉，否则后面的代词就不知道咋用了。

 

3.输入门

输入门决定什么信息需要被存储进cell state。

 

输入门

上一个输出加上这一次的输入，统一经过σ层，决定要更新啥信息。还要另外经过tanh层，将信息转化为一个新的候选值（这个我还是不太懂，反正我觉得tanh的作用就是把各种各样的数据都规范化吧），两者再相乘，就是cell state中需要更新的值了。有啥信息需要更新呢？比如cell state是专门存储“性别”的，那么之前的主语性别是女，现在碰到的新主语性别是男，就要把性别更新成男。

——对于输入门的结构，我觉得可以这么形象化地理解：
上一个网络的输出ht-1和这一个网络的输入xt是一群人，要进城门。σ层是门口的扫描仪，让ht-1和xt都经过，看看有没有“违禁物品”，有没有“特殊物品”，扫描之后，就会给后面的关卡报告一个0~1的数，这个数的含义就是告诉关卡你们应该让哪些人通过。

Tanh是门口的服务员，觉得这些人的穿着都各式各样，不便于管理，就给他们每个人都穿上同一款的制服，唯一的区别就是型号不一样。

圈圈里面一个×就是关卡，它手上有扫描仪给它的报告，于是面对这一群穿着统一制服的人，跟他们说“这里只允许**型号的人通过！”。于是，符合要求的人就过关了，不符合的就只能结束旅行了。

这样应该就稍微好理解了吧hhhh~~

上面的两个门，“遗忘门”和“输入门”已经决定好了什么要遗忘，什么要更新保留了，现在要真的在cell state上执行了：

 

更新cell state

Ct-1就是曾经的记忆，先跟ft一乘，该忘记的就忘记了~~忘记曾经的Ta，忘记曾经的欢声笑语，忘记···哦不好意思，戏精本质暴露了。

接着，cell state加上从输入门传来的要添加的信息。这样，cell就更新了！成为了Ct。

 

 

4.输出门

终于要输出了，输出的结果依赖于cell state，这时前面的遗忘、输入的作用就显现出来了。

 

 

输出门

注意这个图里面：

 

 

【左边的圈中，信息是从cell state中流出，右边的跟cell state没关系，是绕过去的】

如图所示，σ层识别哪一部分信息要输出，乘以当前的状态Ct(经过tanh处理过了)，就得到了我们的输出。

还是拿实例来说明，例如我们的模型要根据前文预测后文，相当于机器写文章吧。其中一个部分是根据主语写出后面的谓语，不同的主语对应的谓语不同，如I后面是am，We后是are，跟主语是单数还是复数有关，所以这里需要输出“是单数还是复数”这个信息。

 

这么着LSTM就走了一遍了，其实说实话还是感觉一头雾水，目前感觉只是感性上理解了，但是理性上，尤其是背后的实际算法还是不太理解。

也许接下来就是要实践了，在实践中慢慢地加深理解了。

 

对于LSTM的理解，还推荐另一篇文章：

https://medium.com/mlreview/understanding-lstm-and-its-diagrams-37e2f46f1714

转自：https://www.jianshu.com/p/89f3b045d9cb