当前位置：首页 > article >正文

深度学习基础--LSTM学习笔记(李沐《动手学习深度学习》)

article 2025/1/20 18:50:13

前言

LSTM是RNN模型的升级版，神经网络模型较为复杂，这里是学习笔记的记录；
LSTM比较复杂，可以先看：
- 深度学习基础–一文搞懂RNN
- 深度学习基础–GRU学习笔记(李沐《动手学习深度学习》)
RNN：RNN讲解
参考：李沐动手学习深度学习；
欢迎收藏加关注，本人将会持续更新。
文章目录
- - - 长距离依赖问题
    - LSTM的核心思想
    - LSTM门简介
    - 三个输入门
      候选记忆单元
      记忆状态
      隐状态
      总结
    - Pytorch实践
    - 参考资料

LSTM也称为长短期记忆网络，他说RNN、GRU的升级版，它能够学到长期依赖，说白了，RNN是理解一句话，但是LSTM就是理解一段话.

长距离依赖问题

RNN模型中，核心的是有一个隐藏层，这个隐藏层记录之前的信息，但是这个隐藏层的每次更新，权重都是一样的，但是我们生活中不是所有信息都是等价的，[知乎大佬一个案例](LSTM - 长短期记忆递归神经网络 - 知乎)：

在这里插入图片描述

我们看到这句话，核心就是几个关键词：“纸好”、“没味道”、“便宜”、“质量好”，我们看完这句话其实和看到这几个关键词没什么大得区别，从这来看，这里也可以得出两点：

在一个时间序列中，前后信息不是所有都是等效的，“关键词”往往最核心，也有一些词“没有啥效果”；
我们在从左到右阅读的时候，脑子自动会帮我们过滤掉一些无用的信息，只留下一些“关键词”的理解，并且能够利用之前的信息去理解后面的信息，这也是我们熟悉的“上下文”；

LSTM也称“长短期记忆网络”，他的核心就是**“记忆”**，有点像我们大脑一样，对于过去的一些信息，有些“忘记”，有些“记得牢”，也有些“只是有个印象”。

LSTM的核心思想

相比于RNN，LSTM的核心就是，除了有隐藏态h_t 之外，还有C_t, C_t代表T这个时刻的记忆，从C_t-1计算得来，用于信息的赛选，对重要信息进行保留，如图：

在这里插入图片描述

那怎么进行保留呢？对上一层的信息C_t-1保留，无非就是全部保留，全部不保留，或者保留一部分，这样的话就需要输入一个[0, 1]之间的值，而这个在神经网络中，有一个激活函数可以很好的做到，叫做：sigmoid，记忆保留过程，如图：

输入0，全部不要；输入1，全部保留；输入(0, 1)，保留部分信息。

LSTM门简介

LSTM有三个门，分别是：

忘记门(遗忘门)：将朝着0减少
输入门：决定是不是要忽略输入数据
输出门：决定是不是要使用隐状态

👀 提示：一下数学公式组合成一块，我感觉就不是那么容易理解了，但是能大概理解即可，后面在案例中实践学习。

三个输入门

首先数据经过输入、输出、遗忘门，这三个门第一步都是做线性运算+激活函数进行非线性运算，由于是RNN的升级版，故都会吸取前面的特征H_t-1。

在这里插入图片描述

候选记忆单元

候选记忆单元经过先进过线性计算，在经过激活函数tanh的作用，将函数值映射到[-1,1]之间，这个的作用需要结合记忆状态更新来看，结合隐藏层更新公式，可以发现，这个其实的作用可以理解为：对当前的输入信息“记忆多少”；

在这里插入图片描述

记忆状态

记忆状态：这是LSTM的核心，看公式有两部分组成，第一部分是遗忘门的更新，决定对之前的记忆信息“吸取多少”，第二个是结合候选记忆单元结合输入门数据，这个我感觉就是代表者说是对当前的数据输入“吸收多少信息”，用于下一个数据的更新。

这个极端情况下，数据范围是[-2, 2]。

在这里插入图片描述

隐状态

在这里，对当前的记忆**C_t**再一次进行了tanh激活函数的作用，他的用处是将记忆单元数据映射到[-1, 1]，然后再结合当前输入，这样当前的输入结合了之前的记忆做了更新，然后输出。

在这里插入图片描述
blog.csdnimg.cn/direct/29dd0a2418c04d2d98866a31dccd52d3.png#pic_center)

总结

LSTM原理具体细节确实复杂，但是我感觉可以结合实践慢慢理解，毕竟小编还是本科生🤠🤠.

在这里插入图片描述

Pytorch实践

pytorch的API：

class torch.nn.LSTM(
    input_size, 
    hidden_size, 
    num_layers=1, 
    bias=True, 
    batch_first=False, 
    dropout=0, 
    bidirectional=False, 
    proj_size=0
)

nput_size: 输入特征的数量。
hidden_size: 隐藏状态（或输出）特征的数量。
num_layers: LSTM 层的数量。默认是 1。
bias: 如果为 False，则不会使用偏置项。默认是 True。
batch_first: 如果为 True，则输入和输出张量提供给模块的形式为 (batch, seq, feature)。默认是 False，即 (seq, batch, feature)。
dropout: 如果非零，则在除了最后一层之外的所有RNN层之后引入一个Dropout层。默认是 0。
bidirectional: 如果为 True，则会变成双向LSTM。默认是 False。
proj_size: 如果 > 0，则将 LSTM 的隐藏状态投影到这个大小。这有助于减少内存消耗。默认是 0，表示没有投影。

下面将用这个API接口进行搭建一个简单的LSTM网络结构。

import torch  
import torch.nn as nn 

class SimpleLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super().__init__()
        # 定义LSTM
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        # 定义线性层
        self.fc = nn.Linear(hidden_size, output_size)
        
    def forward(self, x):
        list_out, (hh, cn) = self.lstm(x)
        
        # 取最后一个时间步输出
        out = list_out[:, -1, :]
        
        output = self.fc(out)
        
        return output.view(-1, 1, 1)  # 保持维度
    
# 设置参数
input_size = 10 # 输入维度
hidden_size = 20  # 隐藏层维度
num_layers = 2  # LSTM层数
output_size = 1 # 输出维度

# 实例化模型
model = SimpleLSTM(input_size, hidden_size, num_layers, output_size)

# 随机生产数据
# 示例输入（batch_size, seq_len, input_size）
x = torch.randn(5, 15, input_size)

# 模型
out = model(x)

print(out.shape)