[人工智能-深度学习-53]：循环神经网络 - LSTM长短记忆时序模型的简化：门控循环网络GRU模型

2023-11-20

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121599096

第1章前序知识

第1章前序知识

1.1 RNN循环神经网络模型

[人工智能-深度学习-51]：循环神经网络RNN基本原理详解_文火冰糖（王文兵）的博客-CSDN博客https://blog.csdn.net/HiWangWenBing/article/details/121387285

1.2 LSTM长短记忆时序模型

https://blog.csdn.net/HiWangWenBing/article/details/121547541https://blog.csdn.net/HiWangWenBing/article/details/121547541

1.3 LSTM模型的缺点

随着 LSTM 在自然语言处理特别是文本分类任务的广泛应用，人们逐渐发现 LSTM有如下一些缺点：

具有训练时间长
参数较多
内部计算复杂

LSTM的简化模型GRU因运而生。

第2章 GRU模型详解

2.1 GRU模型概述

GRU（Gated Recurrent Unit）：门控循环网络

GRU是LSTM网络的一种效果很好的变体，相比较LSTM网络，GRU网络的结构更加简单，效果也很好，同时它也可以较好的解决RNN网络中长依赖、梯度消失等问题。因此也是当前非常流形的一种网络。

2.2 RNN网络结构对比

2.3 LSTM网络结构对比

2.4 GRU网络的结构

（1）输入：与RNN网络一致

当前的时序样本输入Xt
先前保存的状态Ht-1
Ht-1与Xt组合成[Ht-1, Xt] ，作为后续控制门的输入

（3）输出：与RNN网络一致

输入：[Ht-1, Xt]
运算矩阵Wi
激活函数Tanh
功能：生成本次迭代提取的新的状态特征 ~Ht
数学表达式：

（3）Ht-1状态输入重置门：与LSTM类似

输入：[Ht-1, Xt]
运算矩阵Wr
激活函数sigmod
输出在[0, 1]之间
功能（乘法）：用于对先前状态Ht-1的过滤选择。它决定了先前的状态Ht-1，有多大的比例能够参与本次特征状态输出Ht。0表示忽略先前保留的状态，1表示完全使用先前的状态，其他值表示使用先前状态的程度。
数学表达式：

（4）Ht状态更新门: 与LSTM类似

输入：[Ht-1, Xt]
运算矩阵Wz
激活函数sigmod
输出在[0, 1]之间
功能（乘法）：用于对当前状态Ht的更新控制。它决定了本次迭代的输出，多大程度可以用于最终的特征状态输出。0表示忽略本次迭代的状态输出，1表示100%使用当前的状态输出，其他值表示使用当前状态的程度。
数学表达式：

（5）Ht的状态更新：与LSTM类似

输入1= 先前状态Ht-1 * （1 - 状态更新门的输出）
输入2 = 当前新生成的状态~Ht * 状态更新门的输出
运算：累加/叠加 = 输入1 + 输入2 =》

2.5 GRU网络特点

LSTM和CRU都是通过各种门函数来将重要特征保留下来，这样就保证了在long-term传播的时候也不会丢失。

此外GRU相对于LSTM少了一个门函数，因此在参数的数量上也是要少于LSTM的，所以整体上GRU的训练速度要快于LSTM。

第3章 GRU的反向传播

从前向传播过程中的公式可以看出要学习的参数有Wr、Wz、Wh、Wo。其中前三个参数都是拼接的（因为后先的向量也是拼接的），所以在训练的过程中需要将他们分割出来：

输出层的输入：　

输出层的输出：

在得到最终的输出后，就可以写出网络传递的损失，单个样本某时刻的损失为：

则单个样本的在所有时刻的损失为：

采用后向误差传播算法来学习网络，所以先得求损失函数对各参数的偏导（总共有7个）：

其中各中间参数为：

在算出了对各参数的偏导之后，就可以更新参数，依次迭代知道损失收敛。

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121599096

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)