LSTM：克服长期依赖难题的循环神经网络升级方案

原创

公众号JavaEdge 2025-03-19 18:03:37 ©著作权

文章标签 初始化全连接区块链 文章分类 深度学习人工智能 yyds干货盘点

©著作权归作者所有：来自51CTO博客作者公众号JavaEdge的原创作品，请联系作者获取转载授权，否则将追究法律责任

1 简介

长短期记忆网络（Long Short-Term Memory）作为RNN的进阶架构，在序列建模领域具有里程碑意义。其核心突破在于通过智能门控系统，有效捕获跨越数百个时间步的语义关联，成功缓解了传统RNN存在的梯度消失/爆炸难题，在语音识别、金融预测等需要长程记忆的场景中表现卓越。

结构更复杂，核心结构可分四部分：

2 LSTM内部结构图

LSTM：克服长期依赖难题的循环神经网络升级方案_全连接

结构解释图：

LSTM：克服长期依赖难题的循环神经网络升级方案_区块链_02

2.1 遗忘门：智能记忆过滤器

结构图和计算公式

LSTM：克服长期依赖难题的循环神经网络升级方案_区块链_03

结构分析

类似传统RNN内部结构计算：

先将当前时间步输入x(t)与上一个时间步隐含状态h(t-1)拼接，得到[x(t), h(t-1)]
再通过一个全连接层做变换，最后通过sigmoid函数进行激活得到f(t)，可将f(t)看作门值，好比一扇门开合的大小程度，门值都将作用在通过该扇门的张量。遗忘门门值将作用的上一层的细胞状态上，代表遗忘过去的多少信息，又因为遗忘门门值是由x(t), h(t-1)计算得来，因此整个公式意味着根据当前时间步输入和上一个时间步隐含状态h(t-1)来决定遗忘多少上一层的细胞状态所携带的过往信息

动态决定历史信息的保留比例，通过sigmoid函数输出0-1之间的遗忘系数。实际应用场景如在语言模型中自动遗忘不相关的主语信息。

过程演示

LSTM：克服长期依赖难题的循环神经网络升级方案_全连接_04

激活函数sigmiod

帮助调节流经网络的值，sigmoid函数将值压缩在0和1之间。

LSTM：克服长期依赖难题的循环神经网络升级方案_初始化_05

2.2 输入门：新知融合系统

结构图与计算公式

LSTM：克服长期依赖难题的循环神经网络升级方案_区块链_06

结构分析

输入门的计算公式有两个：

产生输入门门值的公式, 它和遗忘门公式几乎相同, 区别只是在于它们之后要作用的目标上. 这个公式意味着输入信息有多少需要进行过滤
与传统RNN的内部结构计算相同. 对于LSTM来讲, 它得到的是当前的细胞状态, 而不是像经典RNN一样得到的是隐含状态

可实现新信息的选择性记忆，如在股票预测中精准捕捉突发市场信号。

过程演示

LSTM：克服长期依赖难题的循环神经网络升级方案_初始化_07

2.3 细胞状态更新

结构图和计算公式

LSTM：克服长期依赖难题的循环神经网络升级方案_全连接_08

结构分析

没有全连接层，只是将刚得到的遗忘门门值与上一个时间步得到的C(t-1)相乘，再加上输入门门值与当前时间步得到的未更新C(t)相乘的结果。最终得到更新后的C(t)作为下一个时间步输入的一部分。整个细胞状态更新过程就是对遗忘门和输入门的应用。

可构建动态记忆高速公路，如医疗诊断场景中持续更新患者病史特征。

过程演示

LSTM：克服长期依赖难题的循环神经网络升级方案_全连接_09

2.4 输出门：信息蒸馏器

结构图和计算公式

LSTM：克服长期依赖难题的循环神经网络升级方案_全连接_10

结构分析

公式也两个：

第一个计算输出门的门值，和遗忘门、输入门计算方式相同
第二个是用这个门值产生隐含状态h(t)，他将作用在更新后的细胞状态C(t)上，并做tanh激活，最终得到h(t)作为下一时间步输入的一部分。整个输出门的过程，就是为产生隐含状态h(t)

可智能生成当前时刻的特征表达，如在机器翻译中精准输出目标语言词汇。

过程演示

LSTM：克服长期依赖难题的循环神经网络升级方案_区块链_11

3 Bi-LSTM

双向LSTM，未改变LSTM本身任何的内部结构，只是将LSTM应用两次且方向不同，再将两次得到的LSTM结果进行拼接作为最终输出。

LSTM：克服长期依赖难题的循环神经网络升级方案_全连接_12

3.1 结构分析

图中对"我爱中国"这句话或叫这个输入序列，进行从左到右、从右到左两次LSTM处理，将得到的结果张量拼接作为最终输出。

这种结构能捕捉语言语法中一些特定的前置或后置特征，增强语义关联，但模型参数和计算复杂度也随之增加一倍，一般需对语料和计算资源进行评估后，决定是否使用该结构。

可使用于：

正向LSTM捕捉历史依赖
反向LSTM捕获未来特征

如医疗文本分析中同时考虑症状描述和诊断结果。

3.2 单向LSTM V.S 双向LSTM

特性	单向LSTM	双向LSTM
参数数量	1x	2x
上下文感知	前向	全向
计算效率	高	中等

4 Pytorch中LSTM工具的使用

torch.nn工具包之中, 通过torch.nn.LSTM可调用。

4.1 nn.LSTM类初始化参数

input_size: 输入张量x中特征维度的大小
hidden_size: 隐层张量h中特征维度的大小
num_layers: 隐含层的数量
bidirectional: 是否选择使用双向LSTM, 如果为True, 则使用; 默认不使用

4.2 nn.LSTM类实例化对象参数

input: 输入张量x
h0: 初始化的隐层张量h
c0: 初始化的细胞状态张量c

4.3 nn.LSTM使用示例

# 定义LSTM的参数含义: (input_size, hidden_size, num_layers)
# 定义输入张量的参数含义: (sequence_length, batch_size, input_size)
# 定义隐藏层初始张量和细胞初始状态张量的参数含义:
# (num_layers * num_directions, batch_size, hidden_size)

>>> import torch.nn as nn
>>> import torch
>>> rnn = nn.LSTM(5, 6, 2)
>>> input = torch.randn(1, 3, 5)
>>> h0 = torch.randn(2, 3, 6)
>>> c0 = torch.randn(2, 3, 6)
>>> output, (hn, cn) = rnn(input, (h0, c0))
>>> output
tensor([[[ 0.0447, -0.0335,  0.1454,  0.0438,  0.0865,  0.0416],
         [ 0.0105,  0.1923,  0.5507, -0.1742,  0.1569, -0.0548],
         [-0.1186,  0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]],
       grad_fn=<StackBackward>)
>>> hn
tensor([[[ 0.4647, -0.2364,  0.0645, -0.3996, -0.0500, -0.0152],
         [ 0.3852,  0.0704,  0.2103, -0.2524,  0.0243,  0.0477],
         [ 0.2571,  0.0608,  0.2322,  0.1815, -0.0513, -0.0291]],

        [[ 0.0447, -0.0335,  0.1454,  0.0438,  0.0865,  0.0416],
         [ 0.0105,  0.1923,  0.5507, -0.1742,  0.1569, -0.0548],
         [-0.1186,  0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]],
       grad_fn=<StackBackward>)
>>> cn
tensor([[[ 0.8083, -0.5500,  0.1009, -0.5806, -0.0668, -0.1161],
         [ 0.7438,  0.0957,  0.5509, -0.7725,  0.0824,  0.0626],
         [ 0.3131,  0.0920,  0.8359,  0.9187, -0.4826, -0.0717]],

        [[ 0.1240, -0.0526,  0.3035,  0.1099,  0.5915,  0.0828],
         [ 0.0203,  0.8367,  0.9832, -0.4454,  0.3917, -0.1983],
         [-0.2976,  0.7764, -0.0074, -0.1965, -0.1343, -0.6683]]],
       grad_fn=<StackBackward>)