LSTM与GRU

LSTM 与 GRU

一、综述

LSTM 与 GRU是RNN的变种，由于RNN存在梯度消失或梯度爆炸的问题，所以RNN很难将信息从较早的时间步传送到后面的时间步。LSTM和GRU引入门（gate）的机制，通过门控制序列信息中要丢弃或保留的数据，在一定程度上缓解了RNN无法将信息传送到较后时间步的问题。

二、LSTM

Long Shot-Term Memory(长短时记忆网络)，通过引入门的机制，实现对信息的“记忆”。

• 记忆是一种随时间变化的状态。
• 决定记忆状态的两大因素：选择性的输入、选择性的遗忘。

LSTM中的主要概念：

• 细胞的状态
• 输入门
• 遗忘门
• 输出门
  
• 图中黄色类似于CNN里的激活函数操作
• 粉色圆圈表示点操作
• 单箭头表示数据流向
• 箭头合并表示向量的合并（concat）操作
• 箭头分叉表示向量的拷贝操作

2.1 细胞状态

LSTMs的核心是细胞状态，用贯穿细胞的水平线表示。
细胞状态像传送带一样，贯穿整个细胞 却只有很少的分支，这样能保证信息不变的流过整个RNNs。（人的记忆状态贯穿人的一生。）

2.2 门

LSTM网络能通过一种被称为门的结构对细胞状态进行删除或则添加信息。
门能够有选择性地决定 让哪些信息通过。其实门的结构很简单，就是一个sigmoid层和一个点乘操作的组合。
因为sigmoid层的输出是0-1的值，这代表有多少信息能够流过sigmoid层。0表示都不能通过，1表示都能通过。
一个LSTM里面包含三个门：

• 忘记门
• 输入门
• 输出门

2.2.1 忘记门（forget gate）

LSTM的第一步就是决定细胞状态需要丢弃哪些信息。
这部分操作是通过一个被称为忘记门的sigmoid单元来处理的。它通过查看 h t − 1 h_{t-1} ht−1​和 x t x_t xt​来输出一个0-1之间的向量，该向量里面的0-1值表示细胞状态 C t − 1 C_{t-1} Ct−1​中的哪些信息保留或丢弃多少。0表示不保留，1表示都保留。

2.2.2 输入门（input gate）

第二步：决定给细胞状态添加哪些新的信息。
分为两个步骤，首先 利用 h t − 1 h_{t-1} ht−1​和 x t x_t xt​通过一个称为输入门的操作来决定更新哪些信息。
再利用 h t − 1 h_{t-1} ht−1​和 x t x_t xt​通过 t a n h tanh tanh层得到新的候选细胞信息 C t ~ \widetilde{C_t} Ct​ ​,这些信息可能会被更新到细胞信息中。

第三步：更新旧的细胞信息 C t − 1 C_{t-1} Ct−1​,变为新的细胞信息 C t C_t Ct​。
更新的规则，通过忘记门选择忘记旧细胞信息的一部分，通过输入门选择添加候选细胞信息 C t ~ \widetilde{C_t} Ct​ ​的一部分得到新的细胞信息 C t C_t Ct​.
注：⊙为Hadamard积

2.2.3 输出门（output gate）

第四步： 根据输入的 h t − 1 h_{t-1} ht−1​和 x t x_t xt​来判断输出细胞的哪些状态特征。
需要将输入经过一个称为输出门的sigmoid层得到判断条件，然后将细胞状态经过tanh层得到一个 -1~1之间值的向量，该向量与输出门得到的判断条件相乘就得到了最终该RNN单元的输出。

2.2.4 总结

三、GRU

在GRU模型中只有两个门：

• 重置门（r）：控制前一状态有多少 信息被写入到当前的候选状态 ℎ̃上 的程度，重置门越小，前一状态的信 息被写入的越少。
• 更新门（z）：控制前一时刻的状态 信息与候选状态信息被带入到当前状 态中的程度。