2020机器学习循环神经网(3)

2020-02-09 本文已影响0人 zidea

machine_learning.jpg

GRU

GRU（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。

GRU 和 LSTM 在很多情况下实际表现上相差不大，那么为什么我们要使用GRU（2014年提出）而不是相对经受了更多考验的 LSTM（1997提出），因为GRU 参数。

gru.png

重置门
重置门有助于捕捉短期的依赖关系
$R_t = \sigma(X_tW_{xr} + H_{t-1}W_{hr} + b_r)$
更新门
有助于捕捉长期的依赖关系
$Z_t = \sigma(X_tW_{xr} + H_{t-1}W_{hr} + b_r)$
重置门用于控制是否清空(格式化)存储单元，而更新门是将数据更新到存储单元。
$\widetilde{h}_t = tahn(X_tW_{xh} + R_t \cdot h_{t-1}W_{hh} + b_h)$
这里我们重点地来说明几件事
$\widetilde{h}_t$ 是候选状态
$R_t \cdot h_{t-1}W_{hh}$ 这里 $R_t$ 和 $h_{t-1}W_{hh}$ 是按元素相乘，也就是如果 $R_t$ 是 0 就表示 $h_{t-1}W_{hh}$ 每一个元素都是乘以 0 得到 0 ，那么也就是 $R_t$ 来控制是否将上一个状态 $h_{t-1}$ 更新到当前 $h_t$

$h_t = Z_t \cdot h_{t-1} + (1 -Z_t) \cdot \widetilde{h_t}$
这里通过 $Z_t$ 来控制当前隐含状态是来自上一个时刻隐含状态，还是来自当前候选隐含状态。当 $Z_t = 1$ 就会一直保留一些之前隐含状态。

lstm_gates.png

输入门
$I_t = \sigma(X_tW_{xi} + H_{t-1}W_{hi} + b_i)$
遗忘门
$F_t = \sigma(X_tW_{xf} + H_{t-1}W_{hf} + b_f)$
输出门
$I_t = \sigma(X_tW_{xo} + H_{t-1}W_{ho} + b_o)$

所有门控都是有上一个时刻和当前输入所决定的这个很好理解
然后我们候选状态在 LSTM 中是什么样子的。
$\widetilde{C_t} = \tanh(X_tW_{xc} + H_{t-1}W_{hc} + b_c)$
我们看这里候选状态与之前 GRU 的状态不太一样没有任何控制，而是原始的 RNN 神经单元差不多。

$C_t = F_t \cdot C_{t-1} + I_t \cdot \widetilde{C_t}$
$C_t$ 记忆希望是 GRU 没有， $C_t$ 不断记忆处理信息，如果我们想要忘记过去的信息，这时候只要将 $F_t$ 设置为 0 那么之前保存信息就会丢失。这里想一想，在序列中有<eos>来表示断句，而且句子之间没有什么联系，在<eos>后面第一个词就是下一句首，之前句子所有信息对下一句第一个词是没有任何意义，所有我们可以通过遗忘门将之前信息进行清空。

最后就是输出门，用输出门来控制
$H_t = O_t \cdot \tanh (C_t)$

最后希望大家关注我们微信公众号

wechat.jpeg

2020机器学习循环神经网(3)

GRU

猜你喜欢

热点阅读