【学习笔记】Understanding LSTM Networks-编程知识

Understanding LSTM Networks

前言
Recurrent Neural Networks
The Problem of Long-Term Dependencies
- LSTM Networks
The Core Idea Behind LSTMs
Step-by-Step LSTM Walk Through
- Forget Gate Layer
- Input Gate Layer
- Output Gate Layer
Variants on Long Short Term Memory
Conclusion

前言

最近在整理LSTM相关的工作，看到了一篇非常经典的博客，遂沿着该博客的思路过了一遍LSTM，收获颇丰，故写下此篇笔记以帮助NLP初学者理解LSTM这个经典的模型，当然要想深入学习，还是看英文原版博客更合适。

Paper	https://colah.github.io/posts/2015-08-Understanding-LSTMs
Code	https://github.com/nicodjimenez/lstm
From	colah’s blog

Recurrent Neural Networks

人类总是依赖上下文进行思考的，因为你的思想存在延续性，但是传统的神经网络做不到这一点，它无法将先验知识添加进来帮助模型理解当前的场景。因此RNN应运而生，RNN作为特殊的神经网络，保留了之前学习到的内容，引入了隐状态的概念，它可以对序列信息抽取特征，作为先验信息传递下去。

上图就是一块RNN模块，输入 $X_t$ 到模块中，输出 $h_t$ ，同时模块中的loop允许信息从该模块传递下去。从这个角度来看，RNN又更像神经网络了。

具体来说，RNN模块以链式结构连接在一起，如上图所示，这种链式的结构将上游的信息传递下去，从而使得模型能够将先验知识利用起来。RNN在语音识别、语言建模、翻译和图像识别等领域都取得了巨大的成功，不过其中最大的功臣还是LSTM，下面将讲述普通的RNN所遇到的瓶颈。

The Problem of Long-Term Dependencies

理论上，RNN利用上之前的信息可以解决当前的问题，但是这取决于序列的长短。当序列很短时，比如一句话“the clouds are in the”，模型很容易知道下一个要输出的单词是“sky”。

可是当序列很长时，比如一段文本“I grew up in France… I speak fluent _”，中间省略的部分包含大量的文本内容，对于人来说，由于一开始提及了France，如果多加注意，那么这里大概率会填写“French”，但是对于普通的RNN模型来说，很难将这二者关联起来。这就是长程依赖问题。
总结一下， RNN具有如下的局限性：

梯度消失。随着模型网络层次加深，小于1的梯度传递下去会越来越小，造成梯度消失，因此RNN只具有短时记忆。
梯度爆炸。本质上也是和模型深度有关，大于1的梯度会随着模型加深而爆炸式增大。

LSTM Networks

LSTM，即长短期记忆网络，是RNN的一个特例，它可以学习长程依赖，并被广泛使用。一个普通的RNN模型可以由下面的结构图表示：

LSTM在此链式结构基础上添加了三道门控机制，使得之前单一的网络变为了四层相互作用的网络，如下图所示：

为了详细分析LSTM模型的结构，这里将介绍常用的符号及其表示：

在上面的图表中，每条线都传递着一个向量，从一个节点输出，再输入到另一个节点中；粉色的圆圈表示逐点操作，如点乘或者点加；合并的箭头表示将两个向量进行拼接（concatenation），分开的箭头表示将一个向量进行复制，然后输入到不同的节点中。

The Core Idea Behind LSTMs

LSTMs的关键在于cell的状态，即下图中加粗的水平横线。

cell的状态类似一种传输带，它横穿整个链，只做了少量的线性操作。这种结构可以轻松实现信息不变传递。当然，LSTM也具有向cell移出、添加信息的能力，由门的结构来实现。
门让信息可选通过，它通过sigmod激活函数和点乘操作实现。

sigmoid激活函数让输入的信息的值限定在0到1的范围，决定了允许多少比例的信息流出，0即不允许信息流出，1即让所有信息传递下去。一个LSTM具有三种不同结构的门，分别是遗忘门、输入门和输出门，用于保护和控制cell的状态。

Step-by-Step LSTM Walk Through

Forget Gate Layer

第一个门是遗忘门，决定多少信息可以继续通过这个cell，输入是 $x_t$ 和 $h_{t-1}$ ，输出是每个数值都在0-1范围的向量，其长度和cell状态 $C_{t-1}$ 一致，表示让多少上游信息继续传递下去。

Input Gate Layer

接着下一步，对于当前的新信息，决定有哪些需要存储到cell状态中。它分为两个部分：

输入门的sigmoid层决定哪些信息需要更新
输入门的tanh层创建候选向量 $\tilde{C}_{t}$ ，用于作为新信息加入到cell状态中。

上面两层输出相乘即得到需要更新到状态的信息。旧状态 $C_{t-1}$ 与 $f_{t}$ 相乘再和需要更新的新状态想相加，就得到了更新后当前cell的状态。如下图所示：

Output Gate Layer

最后，对于当前的模块，我们需要决定输出什么样的值。这个输出主要依赖于cell的状态 $C_{t}$ 。首先需要一个sigmoid层来决定 $C_{t}$ 中的哪些信息会被输出，接着把 $C_{t}$ 通过一个Tanh层，将该层的输出与sigmoid层的权重相乘，得到了最后的输出结果。

Variants on Long Short Term Memory

在LSTM出现之后，又涌现出很多LSTM的变体。一个变体来自Gers & Schmidhuber (2000)，它加入了“peephole connections”层，意思是让所有的门层都看向cell状态。

另一个变体将遗忘门和输入门连接起来，当需要遗忘和输入新信息时，同时做出决定。这比较符合人类的认知，当我们输入新的东西时我们才会遗忘，当我们遗忘旧的知识时，就需要新的知识来补充。

最经典的变体当然还是GRU，它只有两个门：重置门和更新门，重置门即 $r_{t}$ ，它决定是否重置上一时刻信息，更新门 $z_{t}$ 相当于将LSTM的遗忘门和输入门合并到了一起，它将当前的信息和上一时刻的信息进行合并。

GRU与LSTM有如下的对比：

GRU少一个门，同时少了cell状态。
LSTM通过遗忘门和输入门来控制信息的传输，而GRU通过重置门来决定是否保留原来的隐藏状态。

Conclusion

LSTM在许多任务上都取得了显著的成功，但是注意力机制的出现进一步吸引科研人员的目光，它可以对更长的序列进行建模，并且支持并行计算，大大提高了模型的效率，这也就是后来的基于Transformer的一系列模型，如今Transformer的影响已经涉及到AI的各个领域，LLM的出现又进一步推动了AIGC的发展。正所谓星星之火可以燎原，谁能想到，当年RNN的一小步，竟然造就了AI如此辉煌的今天！