【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM

这篇具有很好参考价值的文章主要介绍了【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

循环神经网络RNN和长短期记忆神经网络LSTM

欢迎访问Blog总目录!

1.循环神经网络RNN(Recurrent Neural Network)

1.1.学习链接

一文看尽RNN(循环神经网络) - 知乎 (zhihu.com)

一文搞懂RNN(循环神经网络)基础篇 - 知乎 (zhihu.com)

1.2.RNN结构

循环神经网络(Recurrent Neural Network, RNN)是一类以 序列(sequence)数据为输入,在序列的演进方向进行 递归(recursion)且所有节点(循环单元)按链式连接的 递归神经网络(recursive neural network)。

RNN的输入不仅与当前时刻的输入有关,还与之前时刻的状态(输出)有关。(记忆功能)

RNN的基本结构:

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm
【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

RNN结构公式:
O t = g ( V ⋅ S t ) S t = f ( U ⋅ X t + W ⋅ S t − 1 ) O_t=g(V·S_t)\\ S_t=f(U·X_t+W·S_{t-1}) Ot=g(VSt)St=f(UXt+WSt1)

1.3.RNN缺点

梯度弥散:在误差反向传播上,误差会逐级*W,当W小于1时,误差在传递过程中会越来越小。到第一级时,误差会趋近于0,这会影响神经网络的训练修正。这种现象为梯度弥散。

梯度爆炸:在误差反向传播上,误差会逐级*W,当W大于1时,误差在传递过程中会越来越大。到第一级时,误差会非常大,这会影响神经网络的训练修正。这种现象为梯度爆炸。这也是RNN无法回忆久远记忆的原因。

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

长期依赖问题:由于只能回忆起 S t − 1 S_{t-1} St1,所以RNN只能处理比较接近的上下文信息。

2.长短期记忆递归神经网络LSTM(Long Short Term Memory)

2.1学习链接

LSTM - 长短期记忆递归神经网络 - 知乎 (zhihu.com)

简单理解LSTM神经网络-CSDN博客

Understanding LSTM Networks – colah’s blog

2.2.LSTM结构

LSTM有效解决了RNN的梯度问题和长期依赖问题。使用LSTM可以有效地、有选择地传递和表达长时间序列中的信息并且不会导致长时间前的有用信息被忽略(遗忘)。

【直观理解】LSTM相较于RNN,多了输入控制器、输出控制器和忘记控制器,以及全局记忆。假设全局记忆为故事主线,原本的RNN体系为直线剧情。如果分线剧情对主线剧情非常重要,输入控制器就会将该分线剧情写入主线。如果分线剧情对主线剧情有影响,忘记控制器会忘记之前的部分主线剧情,按比例替换成现在的新剧情。故主线剧情的更新取决于输入和忘记控制器。

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

2.2.1.基本结构

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm
2.2.1.1.隐藏态(单元状态)

隐藏态即为主线,递归神经网络对于输入数据的“记忆”,用 C t C_t Ct表示神经元在 t t t时刻过后的“记忆”,这个向量涵盖了在 t + 1 t+1 t+1 时刻前神经网络对于所有输入信息的“概括总结”

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm
2.2.1.2.遗忘门

σ \sigma σ为sigmoid神经层,sigmoid 函数会将任意输入压缩到 (0,1) 的区间上。遗忘门输入新的输入和上一时刻的输出,通过sigmoid 函数后,如果向量某个分量在通过sigmoid层后变为0,那么显然单元状态在对位相乘后对应的分量也会变成0,即“遗忘”了这个分量上的信息;如果向量某个分量在通过sigmoid层后变为1,即单元状态会“保留完整记忆”。遗忘门输出为(0,1)。
【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

2.2.1.3.记忆门

tanh层将任意输入压缩到(-1,1)的区间上。首先,用tanh层将现在的输入向量中的有效信息提取出来,然后使用左侧的sigmoid函数来控制这些记忆要放“多少”进入单元状态。
【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

在选择信息后,需要将信息并入“主线”单元状态中。
【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

2.2.1.4.输出门

模型的输出,首先是通过sigmoid层来得到一个初始输出,然后使用tanh将值缩放到-1到1间(对先前信息的压缩处理),再与sigmoid得到的输出逐对相乘,从而得到模型的输出 h t h_t ht

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

2.2.2.核心要素

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

名称 name 含义
时间长度 Time_step 是指输入x数据的时间长度,对应 x 1 , x 2 , . . . , x T x_1,x_2,...,x_T x1,x2,...,xT
输入尺寸 input_size 是指输入x数据的数据大小。
隐藏层尺寸 hidden_size 是指隐藏层输出数据h的数据大小。
注意:网络输出数据的大小=隐藏层数据大小。

2.3.pytorch LSTM

2.3.1.API

API:LSTM — PyTorch 2.2 documentation

class RNNBase(Module):
	...
    def __init__(self, mode, input_size, hidden_size,
                 num_layers=1, bias=True, batch_first=False,
                 dropout=0., bidirectional=False):
参数 含义
input_size 输入 x t x_t xt数据的数据大小
hidden_size 隐藏层的大小(即隐藏层节点数量),输出向量h和output的维度等于隐藏节点数
num_layers LSTM块的级联数量(非时间尺度上的)
batch_first 默认为False,也就是说官方不推荐我们把batch放在第一维,此时输入输出的各个维度含义为 (seq_length,batch,feature),True即为放在第一位

输入数据: input, (h_0,c_0)

参数 含义 维度
input 输入数据 x t x_t xt (time_step, batch, input_size)
time_step为序列时间长度;
input_size为单个时刻的数据长度
h_0 隐藏层输出 (num_layers * num_directions, batch, hidden_size)|如果LSTM为双向(单向),则num_directions=2(1)
c_0 (num_layers * num_directions, batch, hidden_size)

输出数据: output,(h_n, c_n)

参数 含义 维度
output 输出数据 x t x_t xt (time_step, batch, num_directions * hidden_size)
h_T 最后一个time_step的隐藏层输出 (num_layers * num_directions, batch, hidden_size)
c_T 最后一个time_step的cell输出 (num_layers * num_directions, batch, hidden_size)

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm

2.3.2.LSTM的搭建

案例:使用 s i n t sint sint预测 c o s t cost cost的取值

class Lstm(nn.Module):
    def __init__(self):
        super(Lstm, self).__init__()

        self.lstm = nn.LSTM(
            input_size=INPUT_SIZE,  # 1 数据长度为1
            hidden_size=32,  # rnn hidden unit 隐藏层节点数
            num_layers=1,  # number of rnn layer
            batch_first=True,  # input & output will has batch size as 1s dimension. e.g. (batch, time_step, input_size)
        )
        self.out = nn.Linear(32, 1)

    def forward(self, x, h_state):
        # x (batch, time_step, input_size)
        # h_state (n_layers, batch, hidden_size)
        # r_out (batch, time_step, hidden_size)
        r_out, h_state = self.lstm(x, h_state)

        outs = []  # save all predictions
        for time_step in range(r_out.size(1)):  # calculate output for each time step
            outs.append(self.out(r_out[:, time_step, :]))
        return torch.stack(outs, dim=1), h_state

rnn = Lstm()
print(rnn)
'''
Lstm(
  (lstm): LSTM(1, 32, batch_first=True)
  (out): Linear(in_features=32, out_features=1, bias=True)
)'''

2.3.3.示意图⭐️

【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm
【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM,算法语言,神经网络,rnn,lstm文章来源地址https://www.toymoban.com/news/detail-846352.html

到了这里,关于【神经网络】循环神经网络RNN和长短期记忆神经网络LSTM的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 长短期记忆神经网络关键名词解释

    长短期记忆神经网络(LSTM)是一种特殊的递归神经网络(RNN),它在处理时间序列数据和学习长期依赖关系方面表现出色。以下是一些与LSTM相关的必懂名词及其解释: 递归神经网络(RNN) :RNN是一种用于处理序列数据的神经网络,它通过在网络中添加循环来保持对先前信息

    2024年03月24日
    浏览(51)
  • 基于长短期神经网络LSTM的路径追踪

    目录 背影 摘要 代码和数据下载:基于长短期神经网络LSTM的路径追踪(代码完整,数据齐全)资源-CSDN文库 https://download.csdn.net/download/abc991835105/88714816 LSTM的基本定义 LSTM实现的步骤 基于长短期神经网络LSTM的路径追踪 结果分析 展望 参考论文 路径坐标有一定的时间或者空间上

    2024年01月16日
    浏览(48)
  • 基于长短期神经网络LSTM的居民用电量预测,基于长短期神经网络LSTM的居民用电负荷预测,基于LSTM的居民用电量预测

    目录 背影 摘要 LSTM的基本定义 LSTM实现的步骤 基于长短期神经网络LSTM的股票预测 MATALB编程实现,附有代码:基于长短期神经网络的居民用电负荷预测,基于LSTM的居民用电功率预测资源-CSDN文库 https://download.csdn.net/download/abc991835105/88184783 效果图 结果分析 展望 参考论文 居民

    2024年02月13日
    浏览(33)
  • 基于长短期神经网络LSTM的测量误差预测

    目录 背影 摘要 代码和数据下载:基于长短期神经网络LSTM的测量误差预测(代码完整,数据齐全)资源-CSDN文库 https://download.csdn.net/download/abc991835105/88714812 LSTM的基本定义 LSTM实现的步骤 基于长短期神经网络LSTM的测量误差预测 结果分析 展望 参考论文 测量误差有一定的时间或

    2024年01月23日
    浏览(39)
  • 基于matlab的长短期神经网络lstm的股票预测

    目录 背影 摘要 LSTM的基本定义 LSTM实现的步骤 基于长短期神经网络LSTM的股票预测 MATALB编程实现,附有代码,及链接基于matlab编程的的长短期神经网络LSTM的股票价格的预测,基于深度学习神经网络的股票价格预测-深度学习文档类资源-CSDN文库 https://download.csdn.net/download/abc99

    2024年02月01日
    浏览(44)
  • 基于双向长短期神经网络BILSTM的指数预测,基于gru神经网络的指数预测

    目录 背影 摘要 LSTM的基本定义 LSTM实现的步骤 BILSTM神经网络 基于双向长短期神经网络BILSTM的指数预测,基于gru神经网络的指数预测 完整代码:基于双向长短期神经网络BILSTM的指数预测,基于gru神经网络的指数预测(代码完整,数据齐全)资源-CSDN文库 https://download.csdn.net/d

    2024年04月24日
    浏览(62)
  • 基于长短期神经网络的风速预测,基于LSTM的风速预测

    目录 背影 摘要 LSTM的基本定义 LSTM实现的步骤 基于长短期神经网络LSTM的风速预测 完整代码: https://download.csdn.net/download/abc991835105/88171311 效果图 结果分析 展望 参考论文 风速预测是一种比较难的预测,随机性比较大,长短期神经网络是一种改进党的RNN神经网络,克服了梯度

    2024年02月14日
    浏览(46)
  • 基于长短期神经网络的回归分析,基于LSTM的回归预测

    ​目录 背影 摘要 LSTM的基本定义 LSTM实现的步骤 基于长短期神经网络LSTM的回归分析 MATALB代码:基于长短期神经网络的回归分析,基于LSTM的回归预测资源-CSDN文库 https://download.csdn.net/download/abc991835105/88184633 效果图 结果分析 展望 参考论文 LSTM神经网络是一种对时间序列比较敏

    2024年01月22日
    浏览(45)
  • 【Matlab】LSTM长短期记忆神经网络时序预测算法(附代码)

     资源下载: https://download.csdn.net/download/vvoennvv/88688439  资源合集:https://download.csdn.net/download/vvoennvv/88700669 【Matlab】BP 神经网络时序预测算法 【Matlab】CNN卷积神经网络时序预测算法 【Matlab】ELM极限学习机时序预测算法 【Matlab】基于遗传算法优化BP神经网络 (GA-BP)的数据时序

    2024年02月03日
    浏览(52)
  • 故障诊断模型 | Maltab实现LSTM长短期记忆神经网络故障诊断

    故障诊断模型 | Maltab实现LSTM长短期记忆神经网络故障诊断 长短记忆神经网络——通常称作LSTM,是一种特殊的RNN,能够学习长的依赖关系。 他们由Hochreiter&Schmidhuber引入,并被许多人进行了改进和普及。 LSTM是为了避免长依赖问题而精心设计的。 记住较长的历史信息实际上是

    2024年02月07日
    浏览(55)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包