作者 Michael Nguyen
王小新 編譯自 Towards Data Science
量子位 出品 | 公眾號 QbitAIAI識別你的語音、回答你的問題、幫你翻譯外語，都離不開一種特殊的循環神經網絡（RNN）：長短期記憶網絡（Long short-term memory，LSTM）。最近，國外有一份關於
LSTM及其變種
GRU（Gated Recurrent Unit）的圖解教程非常火。教程先介紹了這兩種網絡的基礎知識，然後解釋了讓LSTM和GRU具有良好性能的內在機制。當然，通過這篇文章，還可以了解這兩種網絡的一些背景。圖解教程的作者Michael Nguyen是一名AI語音助理方面的機器學習工程師。短期記憶問題RNN受限於短期記憶問題。如果一個序列足夠長，那它們很難把信息從較早的時間步傳輸到後面的時間步。因此，如果你嘗試處理一段文本來進行預測，RNN可能在開始時就會遺漏重要信息。在反向傳播過程中，RNN中存在梯度消失問題。梯度是用於更新神經網絡權重的值，梯度消失問題是指隨著時間推移，梯度在傳播時會下降，如果梯度值變得非常小，則不會繼續學習。
△ 梯度更新規則因此，在RNN中，梯度小幅更新的網絡層會停止學習，這些通常是較早的層。由於這些層不學習，RNN無法記住它在較長序列中學習到的內容，因此
它的記憶是短期的。關於RNN的更多介紹，可訪問：
https://towardsdatascience.com/illustrated-guide-to-recurrent-neural-networks-79e5eb8049c9解決方案：LSTM和GRULSTM和GRU是克服短期記憶問題提出的解決方案，它們引入稱作
「門」的內部機制，可以調節信息流。這些門結構可以學習序列中
哪些數據是要保留的重要信息，哪些是要刪除的。通過這樣做，它可以沿著長鏈序列傳遞相關信息來執行預測。幾乎所有基於RNN的先進結果都是通過這兩個網絡實現的。LSTM和GRU經常用在語音識別、語音合成和文本生成等領域，還可用來為視頻生成字幕。當你看完這篇文章時，我相信你會對LSTM和GRU在處理長序列的突出能力有充分了解。下面我將通過直觀解釋和插圖來進行介紹，並儘可能繞開數學運算。直觀認識我們從一個思考實驗開始。當你在網絡上購買生活用品時，一般會先閱讀商品評論來判斷商品好壞，以確定是否要購買這個商品。當你查看評論時，你的大腦下意識地只會記住重要的關鍵詞。你會選擇「amazing」和「perfectly balanced breakfast」這樣的詞彙，而不太關心「this」，「give」，「all」，「should」等字樣。如果有人第二天問你評論內容，你可能不會一字不漏地記住它，而是記住了主要觀點，比如「下次一定還來買」，一些
次要內容自然會從記憶中逐漸消失。在這種情況下，你記住的這些詞能判定了這個餐廳的好壞。這基本上就是LSTM或GRU的作用，它可以學習
只保留相關信息來進行預測，並忘記不相關的數據。RNN回顧為了理解LSTM或GRU如何實現這一點，接下來
回顧下RNN。RNN的工作原理如下：首先單詞被轉換成機器可讀的向量，然後RNN逐個處理向量序列。
△ 逐個處理向量序列在處理時，它把先前的隱藏狀態傳遞給序列的下一步，其中隱藏狀態作為神經網絡記憶，它包含相關網絡已處理數據的信息。
△ 把隱藏狀態傳遞給下個時間步下面來介紹
RNN中每個cell單元是如何計算隱藏狀態的。首先，將輸入和先前隱藏狀態組合成一個向量，向量中含有當前輸入和先前輸入的信息。這個向量再經過激活函數Tanh後，輸出新的隱藏狀態，或網絡記憶。
△ RNN單元
激活函數Tanh激活函數Tanh用於幫助調節流經網絡的值，且Tanh函數的輸出值始終在區間(-1, 1)內。當向量流經神經網絡時，由於存在各種數學運算，它經歷了許多變換。因此，想像下讓一個值不斷乘以3，它會逐漸變大並變成天文數字，這會讓其他值看起來微不足道。
△ 無Tanh函數的向量變換
Tanh函數能讓輸出位於區間(-1, 1)內，從而調節神經網絡輸出。你可以看到這些值是如何保持在Tanh函數的允許範圍內。
△ 有Tanh函數的向量變換這就是RNN，它的內部操作很少，但在適當情況下（如短序列分析）效果很好。RNN使用的計算資源比它的演化變體LSTM和GRU少得多。LSTMLSTM的控制流程與RNN類似，它們都是在前向傳播過程中處理傳遞信息的數據，區別在於LSTM單元的結構和運算有所變化。
△ LSTM單元及其運算
這些運算能讓LSTM具備選擇性保留或遺忘某些信息的能力，下面我們將逐步介紹這些看起來有點複雜的運算。核心概念
單元狀態相當於能傳輸相關信息的通路，讓信息在序列鏈中傳遞下去，這部分可看作是網絡的「記憶」。理論上，在序列處理過程中，單元狀態能一直攜帶著相關信息。因此，在較早時間步中獲得的信息也能傳輸到較後時間步的單元中，這樣能減弱短期記憶的影響。在網絡訓練過程中，可通過門結構來添加或移除信息，不同神經網絡都可
通過單元狀態上的門結構來決定去記住或遺忘哪些相關信息。Sigmoid門結構中包含Sigmoid函數，這個激活函數與Tanh函數類似。但它的
輸出區間不是(-1, 1)，而是
(0, 1)，這有助於更新或忘記數據，因為任何數字乘以0都為0，這部分信息會被遺忘。同樣，任何數字乘以1都為相同值，這部分信息會完全保留。通過這樣，網絡能了解哪些數據不重要需要遺忘，哪些數字很重要需要保留。
△ Sigmoid輸出區間為(0, 1)下面會深入介紹下不同門結構的功能。LSTM單元中有
三種調節信息流的門結構：遺忘門、輸入門和輸出門。遺忘門遺忘門能決定應丟棄或保留哪些信息。來自先前隱藏狀態的信息和當前輸入的信息同時輸入到Sigmoid函數，輸出值處於0和1之間，越接近0意味著越應該忘記，越接近1意味著越應該保留。
△ 遺忘門操作輸入門輸入門用來更新單元狀態。先將先前隱藏狀態的信息和當前輸入的信息輸入到Sigmoid函數，在0和1之間調整輸出值來決定更新哪些信息，0表示不重要，1表示重要。你也可將隱藏狀態和當前輸入傳輸給Tanh函數，並在-1和1之間壓縮數值以調節網絡，然後把Tanh輸出和Sigmoid輸出相乘，Sigmoid輸出將決定在Tanh輸出中哪些信息是重要的且需要進行保留。
△ 輸入門操作單元狀態這裡已經具備足夠信息來計算單元狀態。首先把先前的單元狀態和遺忘向量逐點相乘，如果它乘以接近0的值，則意味在新的單元狀態中可能要丟棄這些值；然後把它和輸入門的輸出值逐點相加，把神經網絡發現的新信息更新到單元狀態中，這樣就得到了新的單元狀態。
△ 計算單元狀態輸出門輸出門能決定下個隱藏狀態的值，隱藏狀態中包含了先前輸入的相關信息。當然，隱藏狀態也可用於預測。首先把先前的隱藏狀態和當前輸入傳遞給Sigmoid函數；接著把新得到的單元狀態傳遞給Tanh函數；然後把Tanh輸出和Sigmoid輸出相乘，以確定隱藏狀態應攜帶的信息；最後把隱藏狀態作為當前單元輸出，把新的單元狀態和新的隱藏狀態傳輸給下個時間步。
△ 輸出門操作這裡
總結下，遺忘門能決定需要保留先前步長中哪些相關信息，輸入門決定在當前輸入中哪些重要信息需要被添加，輸出門決定了下一個隱藏狀態。代碼示例這裡還提供了一個用Python寫的示例代碼，來讓大家能更好地理解這個結構。
首先，我們連接了先前的隱藏狀態和當前輸入，這裡定義為變量combine；
把combine變量傳遞到遺忘層中，以刪除不相關數據；
再用combine變量創建一個候選層，用來保留可能要添加到單元狀態中的值；
變量combine也要傳遞給輸出層，來決定應把候選層中的哪些數據添加到新的單元狀態中；
新的單元狀態可根據遺忘層、候選層和輸入層和先前的單元狀態來計算得到；
再計算當前單元輸出；
最後把輸出和新的單元狀態逐點相乘可得到新的隱藏狀態。
從上面看出，LSTM網絡的控制流程實際上只是
幾個張量操作和一個for循環。你還可以用隱藏狀態進行預測。結合這些機制，LSTM能在序列處理過程中有選擇性地保留或遺忘某些信息。GRU介紹完LSTM的工作原理後，下面來看下門控循環單元GRU。GRU是RNN的另一類演化變種，與LSTM非常相似。GRU結構中
去除了單元狀態，而使用隱藏狀態來傳輸信息。它只有兩個門結構，分別是更新門和重置門。
△ GRU單元結構更新門更新門的作用類似於LSTM中的遺忘門和輸入門，它能決定要丟棄哪些信息和要添加哪些新信息。重置門這兩部分組成了GRU，它的張量操作較少，因此
訓練它比LSTM更快一點。在選擇網絡時很難判斷哪個更好，研究人員通常會兩個都試下，通過性能比較來選出更適合當前任務的結構。總結總而言之，RNN適用於處理序列數據和預測任務，但會受到短期記憶的影響。LSTM和GRU是兩種通過引入門結構來減弱短期記憶影響的演化變體，其中門結構可用來調節流經序列鏈的信息流。目前，LSTM和GRU經常被用於語音識別、語音合成和自然語言理解等多個深度學習應用中。如果你對這方面很感興趣，作者還列出一些乾貨連結，可以從更多角度來理解LSTM和GRU結構。http://www.wildml.com/2015/10/recurrent-neural-network-tutorial-part-4-implementing-a-grulstm-rnn-with-python-and-theanohttp://colah.github.io/posts/2015-08-Understanding-LSTMs/
原文：https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21
求分享 求點讚 求在看！！！