【TS深度学习】长短时记忆网络

时间序列知识整理系列，持续更新中 ⛳️

赶紧后台回复"讨论"加入讨论组交流吧 ?

在上一篇文章中，我们介绍了循环神经网络以及它的训练算法。我们也介绍了循环神经网络很难训练的原因，这导致了它在实际应用中，很难处理长距离的依赖。在本文中，我们将介绍一种改进之后的循环神经网络：长短时记忆网络(Long Short Term Memory Network, LSTM)，它成功的解决了原始循环神经网络的缺陷，成为当前最流行的RNN，在时间序列分析、语音识别、自然语言处理等许多领域中成功应用。

但不幸的一面是，LSTM的结构很复杂，因此，我们需要花上一些力气，才能把LSTM以及它的训练算法弄明白。在搞清楚LSTM之后，我们再介绍一种LSTM的变体：GRU (Gated Recurrent Unit)。它的结构比LSTM简单，而效果却和LSTM一样好，因此，它正在逐渐流行起来。

长短时记忆网络是啥

我们首先了解一下长短时记忆网络产生的背景。回顾一下【TS深度学习】循环神经网络

中推导的，误差项沿时间反向传播的公式：

我们可以根据下面的不等式，来获取

的模的上界（模可以看做对

每一项值的大小的度量）：

我们可以看到，误差项

从t时刻传递到k时刻，其值的上界是

的指数函数。

分别是对角矩阵

和矩阵W模的上界。显然，除非

乘积的值位于1附近，否则，当t-k很大时（也就是误差传递很多个时刻时），整个式子的值就会变得极小（当

乘积小于1）或者极大（当

乘积大于1），前者就是梯度消失，后者就是梯度爆炸。虽然科学家们搞出了很多技巧（比如怎样初始化权重），让

的值尽可能贴近于1，终究还是难以抵挡指数函数的威力。

梯度消失到底意味着什么？在零基础入门深度学习(5) - 循环神经网络中我们已证明，权重数组W最终的梯度是各个时刻的梯度之和，即：

假设某轮训练中，各时刻的梯度以及最终的梯度之和如下图：

我们就可以看到，从上图的t-3时刻开始，梯度已经几乎减少到0了。那么，从这个时刻开始再往之前走，得到的梯度（几乎为零）就不会对最终的梯度值有任何贡献，这就相当于无论t-3时刻之前的网络状态h是什么，在训练中都不会对权重数组W的更新产生影响，也就是网络事实上已经忽略了t-3时刻之前的状态。这就是原始RNN无法处理长距离依赖的原因。

既然找到了问题的原因，那么我们就能解决它。从问题的定位到解决，科学家们大概花了7、8年时间。终于有一天，Hochreiter和Schmidhuber两位科学家发明出长短时记忆网络，一举解决这个问题。

其实，长短时记忆网络的思路比较简单。原始RNN的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。那么，假如我们再增加一个状态，即c，让它来保存长期的状态，那么问题不就解决了么？如下图所示：

新增加的状态c，称为单元状态(cell state)。我们把上图按照时间维度展开：

上图仅仅是一个示意图，我们可以看出，在t时刻，LSTM的输入有三个：当前时刻网络的输入值Xt，上一时刻LSTM的输出值ht-1、以及上一时刻的单元状态Ct-1；LSTM的输出有两个：当前时刻LSTM输出值ht、和当前时刻的单元状态Ct。注意X,h,C都是向量。

LSTM的关键，就是怎样控制长期状态c。在这里，LSTM的思路是使用三个控制开关。第一个开关，负责控制继续保存长期状态c；第二个开关，负责控制把即时状态输入到长期状态c；第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。三个开关的作用如下图所示：

接下来，我们要描述一下，输出h和单元状态c的具体计算方法。

长短时记忆网络的前向计算

前面描述的开关是怎样在算法中实现的呢？这就用到了门（gate）的概念。门实际上就是一层全连接层，它的输入是一个向量，输出是一个0到1之间的实数向量。假设W是门的权重向量，b是偏置项，那么门可以表示为：

门的使用，就是用门的输出向量按元素乘以我们需要控制的那个向量。因为门的输出是0到1之间的实数向量，那么，当门输出为0时，任何向量与之相乘都会得到0向量，这就相当于啥都不能通过；输出为1时，任何向量与之相乘都不会有任何改变，这就相当于啥都可以通过。因为

（也就是sigmoid函数）的值域是(0,1)，所以门的状态都是半开半闭的。

LSTM用两个门来控制单元状态c的内容，一个是遗忘门（forget gate），它决定了上一时刻的单元状态Ct-1有多少保留到当前时刻Ct;另一个是输入门（input gate），它决定了当前时刻网络的输入Xt有多少保存到单元状态Ct。LSTM用输出门（output gate）来控制单元状态Ct有多少输出到LSTM的当前输出值ht。

我们先来看一下遗忘门：

上式中，Wf是遗忘门的权重矩阵，[ht-1,Xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，sigmoid函数。如果输入的维度是dx，隐藏层的维度是dh，单元状态的维度是dc，（通常dc=dh），则遗忘门的权重矩阵Wf维度是dcX(dh+dx)。事实上，权重矩阵Wf都是两个矩阵拼接而成的：一个是Wfh，它对应着输入项ht-1，其维度为dcXdh；一个是Wfx，它对应着输入项Xt，其维度为dcXdx，Wf可以写为：

下图显示了遗忘门的计算：

接下来看看输入门：

上式中，Wi是输入门的权重矩阵，bi是输入门的偏置项。下图表示了输入门的计算：

接下来，我们计算用于描述当前输入的单元状态

， 它是根据上一次的输出和本次输入来计算的：

下图是

的计算：

现在，我们计算当前时刻的单元状态ct。它是由上一次的单元状态Ct-1按元素乘以遗忘门ft，再用当前输入的单元状态

元素乘以输入门it，再将两个积加和产生的：

符号o表示按元素乘。下图是Ct的计算：

这样，我们就把LSTM关于当前的记忆

和长期的记忆Ct-1组合在一起，形成了新的单元状态Ct。由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆。下面，我们要看看输出门，它控制了长期记忆对当前输出的影响：

下图表示输出门的计算：

LSTM最终的输出，是由输出门和单元状态共同确定的：

下图表示LSTM最终输出的计算：

式1到式6就是LSTM前向计算的全部公式。至此，我们就把LSTM前向计算讲完了。

长短时记忆网络的训练

熟悉我们这个系列文章的同学都清楚，训练部分往往比前向计算部分复杂多了。LSTM的前向计算都这么复杂，那么，可想而知，它的训练算法一定是非常非常复杂的。现在只有做几次深呼吸，再一头扎进公式海洋吧。

01

LSTM的训练算法框架

LSTM的训练算法仍然是反向传播算法，对于这个算法，我们已经非常熟悉了。主要有下面三个步骤：

1、前向计算每个神经元的输出值，对于LSTM来说，即ft,it,ct,ot,ht,五个向量的值。计算方法已经在上一节中描述过了。

2、反向计算每个神经元的误差项

值。与循环神经网络一样，LSTM误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播。

3、根据相应的误差项，计算每个权重的梯度。

02

关于公式和符号的说明

首先，我们对推导中用到的一些公式、符号做一下必要的说明。

接下来的推导中，我们设定gate的激活函数为sigmoid函数，输出的激活函数为tanh函数。他们的导数分别为：

从上面可以看出，sigmoid和tanh函数的导数都是原函数的函数。这样，我们一旦计算原函数的值，就可以用它来计算出导数的值。

LSTM需要学习的参数共有8组，分别是：遗忘门的权重矩阵Wf和偏置项bf、输入门的权重矩阵Wi和偏置项bi、输出门的权重矩阵Wo和偏置项bo、以及计算单元状态的权重矩阵W和偏置项bc。因为权重矩阵的两部分在反向传播中使用不同的公式，因此在后续的推导中，权重矩阵Wf,Wi,Wc,Wo、都将被写为分开的两个矩阵：Wfh,Wfx,Wih，Wix,Woh、Wox,Wch,Wcx。

我们解释一下按元素乘o符号。当o作用于两个向量时，运算如下：

当o作用于一个向量和一个矩阵时，运算如下：

当o作用于两个矩阵时，两个矩阵对应位置的元素相乘。按元素乘可以在某些情况下简化矩阵和向量运算。例如，当一个对角矩阵右乘一个矩阵时，相当于用对角矩阵的对角线组成的向量按元素乘那个矩阵：

当一个行向量右乘一个对角矩阵时，相当于这个行向量按元素乘那个矩阵对角线组成的向量：

上面这两点，在我们后续推导中会多次用到。

在t时刻，LSTM的输出值为ht，我们定义t时刻的误差项

为：

注意，和前面几篇文章不同，我们这里假设误差项是损失函数对输出值的导数，而不是对加权输入 的导数。因为LSTM有四个加权输入，分别对应ft,it,ct,ot，我们希望往上一层传递一个误差项而不是四个。但我们仍然需要定义出这四个加权输入

，以及他们对应的误差项。

03

误差项沿时间的反向传播

沿时间反向传递误差项，就是要计算出t-1时刻的误差项

。

我们知道，

是一个Jacobian矩阵。如果隐藏层h的维度是N的话，那么它就是一个NXN矩阵。为了求出它，我们列出ht的计算公式，即前面的式6和式4：

显然，ot,ft,it,

都是ht-1的函数，那么，利用全导数公式可得：

下面，我们要把式7中的每个偏导数都求出来。根据式6，我们可以求出：

根据式4，我们可以求出：

因为：

我们很容易得出：

将上述偏导数带入到式7，我们得到：

根据、

的定义，可知：

式8到式12就是将误差沿时间反向传播一个时刻的公式。有了它，我们可以写出将误差项向前传递到任意k时刻的公式：

04

权重梯度的重计算

对于Wfh,Wih,Woh,Wch的权重梯度，我们知道它的梯度是各个时刻梯度之和，我们首先求出它们在t时刻的梯度，然后再求出他们最终的梯度。

我们已经求得了误差项

、很容易求出t时刻的Woh,Wih,Wfh,Wch:

将各个时刻的梯度加在一起，就能得到最终的梯度：

对于偏置项bf,bi,bc,bo的梯度，也是将各个时刻的梯度加在一起。下面是各个时刻的偏置项梯度：

下面是最终的偏置项梯度，即将各个时刻的偏置项梯度加在一起：

对于Wfx,Wix,Wcx,Wox的权重梯度，只需要根据相应的误差项直接计算即可：

以上就是LSTM的训练算法的全部公式。因为这里面存在很多重复的模式，仔细看看，会发觉并不是太复杂。

当然，LSTM存在着相当多的变体，读者可以在互联网上找到很多资料。因为大家已经熟悉了基本LSTM的算法，因此理解这些变体比较容易，因此本文就不再赘述了。

GRU

前面我们讲了一种普通的LSTM，事实上LSTM存在很多变体，许多论文中的LSTM都或多或少的不太一样。在众多的LSTM变体中，GRU (Gated Recurrent Unit)也许是最成功的一种。它对LSTM做了很多简化，同时却保持着和LSTM相同的效果。因此，GRU最近变得越来越流行。

GRU对LSTM做了两个大改动：

1、将输入门、遗忘门、输出门变为两个门：更新门（Update Gate）Zt和重置门（Reset Gate）rt.

2、将单元状态与输出合并为一个状态：h。

GRU的前向计算公式为：

下图是GRU的示意图：

GRU的训练算法比LSTM简单一些，留给读者自行推导，本文就不再赘述了。

小结

至此，LSTM——也许是结构最复杂的一类神经网络——就讲完了。现在我们已经了解循环神经网络和它最流行的变体——LSTM，它们都可以用来处理时间序列。

但是，有时候仅仅拥有处理序列的能力还不够，还需要处理比序列更为复杂的结构（比如树结构），这时候就需要用到另外一类网络：递归神经网络(Recursive Neural Network)，巧合的是，它的缩写也是RNN。在下一篇文章中，我们将介绍递归神经网络和它的训练算法。现在，漫长的烧脑暂告一段落，休息一下吧:)

推荐阅读