人工智能之機(jī)器學(xué)習(xí)記憶神經(jīng)網(wǎng)絡(luò)LSTM算法解析

前言：人工智能之機(jī)器學(xué)習(xí)主要有三大類：1）分類；2）回歸；3）聚類。今天我們重點(diǎn)探討一下長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）算法。

我們知道，RNN是一類功能強(qiáng)大的人工神經(jīng)網(wǎng)絡(luò)算法，RNN一個(gè)重要的優(yōu)點(diǎn)在于，其能夠在輸入和輸出序列之間的映射過程中利用上下文相關(guān)信息。但是RNN存在著梯度消失或梯度爆炸等問題。因此，為了解決上述問題，長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）誕生了。

長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM是一種特殊的RNN，能夠?qū)W習(xí)長期依賴關(guān)系。由Hochreiter和Schmidhuber （1997）提出，在后期工作中又由許多人進(jìn)行了調(diào)整和普及（除了原始作者之外，許多人為現(xiàn)代LSTM做出了貢獻(xiàn)，不完全統(tǒng)計(jì)：Felix Gers（目前在谷歌的DeepMind任職）， Fred Cummins， Santiago Fernandez， Felix Gers（發(fā)明了LSTM遺忘門），Justin Bayer（自動(dòng)演化）， Daan Wierstra， Julian Togelius， Faustian Gomez， Matteo Gagliolo 和 Alex Graves）。LSTM在大量問題上效果異常出色，現(xiàn)在正在廣泛使用。

LTSM概念：

長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM（Long Short–Term Memory）是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測時(shí)間序列中間隔和延遲相對較長的重要事件。

與其說長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，倒不如說是一個(gè)加強(qiáng)版的組件被放在了循環(huán)神經(jīng)網(wǎng)絡(luò)中。具體地說，就是把循環(huán)神經(jīng)網(wǎng)絡(luò)中隱含層的小圓圈換成長短時(shí)記憶的模塊，如下圖所示。

LTSM本質(zhì)：

LSTM引入自循環(huán)的巧妙構(gòu)思，以產(chǎn)生梯度長時(shí)間持續(xù)流動(dòng)的路徑是初始LSTM模型的核心貢獻(xiàn)。其中一個(gè)關(guān)鍵擴(kuò)展是使自循環(huán)的權(quán)重視上下文而定，而不是固定的。門控此自循環(huán)（由另一個(gè)隱藏單元控制）的權(quán)重，累積的時(shí)間尺度可以動(dòng)態(tài)地改變。

LSTM循環(huán)網(wǎng)絡(luò)除了外部的RNN循環(huán)外，還具有內(nèi)部的LSTM細(xì)胞循環(huán)（自環(huán)）。

LSTM 通過刻意的設(shè)計(jì)來避免長期依賴問題。記住長期的信息在實(shí)踐中是 LSTM 的默認(rèn)行為，而非需要付出很大代價(jià)才能獲得的能力。

LSTM原理：

LSTM區(qū)別于RNN的地方，主要就在于它在算法中加入了一個(gè)判斷信息有用與否的“處理器”，這個(gè)處理器作用的結(jié)構(gòu)被稱為cell。

一個(gè)cell當(dāng)中被放置了三扇門，分別叫做輸入門、遺忘門和輸出門。一個(gè)信息進(jìn)入LSTM的網(wǎng)絡(luò)當(dāng)中，可以根據(jù)規(guī)則來判斷是否有用。只有符合算法認(rèn)證的信息才會(huì)留下，不符的信息則通過遺忘門被遺忘。

說起來無非就是一進(jìn)二出的工作原理，卻可以在反復(fù)運(yùn)算下解決神經(jīng)網(wǎng)絡(luò)中長期存在的大問題。目前已經(jīng)證明，LSTM是解決長序依賴問題的有效技術(shù)，并且這種技術(shù)的普適性非常高，導(dǎo)致帶來的可能性變化非常多。各研究者根據(jù)LSTM紛紛提出了自己的變量版本，這就讓LSTM可以處理千變?nèi)f化的垂直問題。