長短期記憶人工神經網路

長短期記憶網路（LSTM，Long Short-Term Memory）是一種時間循環神經網路，是為了解決一般的RNN（循環神經網路）存在的長期依賴問題而專門設計出來的，所有的RNN都具有一種重複神經網路模組的鏈式形式。在標準RNN中，這個重複的結構模組只有一個非常簡單的結構，例如一個tanh層。

基本介紹

• 中文名：長短期記憶網路
• 外文名：Long-Short Term Memory
• 縮寫：LSTM

簡介

長短期記憶網路（Long-Short Term Memory,LSTM）論文首次發表於1997年。由於獨特的設計結構，LSTM適合於處理和預測時間序列中間隔和延遲非常長的重要事件。

LSTM的表現通常比時間遞歸神經網路及隱馬爾科夫模型（HMM）更好，比如用在不分段連續手寫識別上。2009年，用LSTM構建的人工神經網路模型贏得過ICDAR手寫識別比賽冠軍。LSTM還普遍用於自主語音識別，2013年運用TIMIT自然演講資料庫達成17.7%錯誤率的紀錄。作為非線性模型，LSTM可作為複雜的非線性單元用於構造更大型深度神經網路。

結構

LSTM是一種含有LSTM區塊（blocks）或其他的一種類神經網路，文獻或其他資料中LSTM區塊可能被描述成智慧型網路單元，因為它可以記憶不定時間長度的數值，區塊中有一個gate能夠決定input是否重要到能被記住及能不能被輸出output。

右圖底下是四個S函式單元，最左邊函式依情況可能成為區塊的input，右邊三個會經過gate決定input是否能傳入區塊，左邊第二個為input gate，如果這裡產出近似於零，將把這裡的值擋住，不會進到下一層。左邊第三個是forget gate，當這產生值近似於零，將把區塊里記住的值忘掉。第四個也就是最右邊的input為output gate，他可以決定在區塊記憶中的input是否能輸出 。

LSTM有很多個版本，其中一個重要的版本是GRU（Gated Recurrent Unit），根據谷歌的測試表明，LSTM中最重要的是Forget gate，其次是Input gate，最次是Output gate。

LSTM模型

訓練方法

為了最小化訓練誤差，梯度下降法（Gradient descent）如：套用時序性倒傳遞算法，可用來依據錯誤修改每次的權重。梯度下降法在遞迴神經網路（RNN）中主要的問題初次在1991年發現，就是誤差梯度隨著事件間的時間長度成指數般的消失。當設定了LSTM 區塊時，誤差也隨著倒回計算，從output影響回input階段的每一個gate，直到這個數值被過濾掉。因此正常的倒傳遞類神經是一個有效訓練LSTM區塊記住長時間數值的方法。

搭建實例

以下代碼展示了在tensorflow中實現使用LSTM結構的循環神經網路的前向傳播過程。

# 定義一個LSTM結構，LSTM中使用的變數也會在該函式中自動被聲明lstm=rnn_cell.BasicLSTMCell(lstm_hidden_size) # 將LSTM中的狀態初始化為全0數組，BasicLSTMCell提供了zero_state函式來生成全零的初始狀態state=lstm.zero_state(batch_size,tf.float32) # 定義損失函式loss=0.0# 理論上循環神經網路可以處理任意長度的序列，但是在訓練時為了避免梯度消散的問題，會規定一個最大的序列長度# 下面代碼使用參數num_steps來表示這個長度for i in range(num_steps):    # 在第一個時刻聲明LSTM結構中使用的變數，在之後的時刻都需要復用之前定義好的變數    if i>0:        tf.get_variable_scope().reuse_variables()        # 每一步處理時間序列中的一個時刻。將當前輸入(current_input)和前一時刻狀態(state)傳入定義的LSTM結構可以得到    # 當前LSTM結構的輸出lstm_output和更新後的狀態state    lstm_output,state=lstm(current_input,state)    # 將當前時刻LSTM結構的輸出傳入一個全連線層得到最後的輸出    final_output=fully_connected(lstm_output)    # 計算當前時刻輸出的損失    loss+=calc_loss(final_output,expected_output)

LSTM網路的變體：雙向循環神經網路和深層循環神經網路

雙向循環神經網路的主體結構是由兩個單向循環神經網路組成的。在每一個時刻t，輸入會同時提供給這兩個方向相反的循環神經網路，而輸出則是由這兩個單向循環神經網路共同決定。其結構如下圖一所示：

圖一

六個權值分別對應：輸入到向前和向後隱含層（w1, w3），隱含層到隱含層自己（w2, w5），向前和向後隱含層到輸出層（w4, w6）。值得注意的是：向前和向後隱含層之間沒有信息流，這保證了展開圖是非循環的。

深層循環神經網路：為了增強模型的表達能力，該網路在每一個時刻上將循環體結構複製多次，每一層的循環體中參數是一致的，而不同層中的參數可以不同。其結構如下圖二所示：

圖二

tensorflow中提供了MultiRNNCell類來實現深層循環神經網路的前向傳播過程。代碼如下：

# 定義一個基本的LSTM結構作為循環體的基礎結構。深層循環神經網路也支持使用其他的循環體結構lstm=rnn_cell.BasicLSTMCell(lstm_size) # 通過MultiRNNCell類實現深層循環神經網路中每一個時刻的前向傳播過程。其中number_of_layers表示有多少層。stacked_lstm=rnn_cell.MultiRNNCell([lstm]*number_of_layers) # 通過zero_state函式來獲取初始狀態state=stacked_lstm.zero_state(batch_size,tf.float32) # 定義損失函式loss=0.0for i in range(num_steps):    if i>0:        tf.get_variable_scope().reuse_variables()     stacked_lstm_output,state=stacked_lstm(current_input,state)    # 將當前時刻LSTM結構的輸出傳入一個全連線層得到最後的輸出    final_output=fully_connected(stacked_lstm_output)    # 計算當前時刻輸出的損失    loss+=calc_loss(final_output,expected_output)