Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
7bd587bc
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
未验证
提交
7bd587bc
编写于
1月 10, 2018
作者:
A
Aston Zhang
提交者:
GitHub
1月 10, 2018
浏览文件
操作
浏览文件
下载
差异文件
Merge pull request #145 from astonzhang/rnn
Add LSTM
上级
ca29bb50
2a11c772
变更
3
展开全部
隐藏空白更改
内联
并排
Showing
3 changed file
with
78 addition
and
425 deletion
+78
-425
chapter_recurrent-neural-networks/gru-scratch.md
chapter_recurrent-neural-networks/gru-scratch.md
+5
-5
chapter_recurrent-neural-networks/index.md
chapter_recurrent-neural-networks/index.md
+1
-0
chapter_recurrent-neural-networks/lstm-scratch.md
chapter_recurrent-neural-networks/lstm-scratch.md
+72
-420
未找到文件。
chapter_recurrent-neural-networks/gru-scratch.md
浏览文件 @
7bd587bc
# 门控循环单元(GRU)
--- 从0开始
# 门控循环单元(GRU)--- 从0开始
[
上一节
](
bptt.md
)
中,我们介绍了循环神经网络中的梯度计算方法。我们发现,循环神经网络的隐含层变量梯度可能会出现衰减或爆炸。虽然
[
梯度裁剪
](
rnn-scratch.md
)
可以应对梯度爆炸,但无法解决梯度衰减的问题。因此,给定一个时间序列,例如文本序列,循环神经网络在实际中其实较难捕捉两个时刻距离较大的文本元素(字或词)之间的依赖关系。
[
上一节
](
bptt.md
)
中,我们介绍了循环神经网络中的梯度计算方法。我们发现,循环神经网络的隐含层变量梯度可能会出现衰减或爆炸。虽然
[
梯度裁剪
](
rnn-scratch.md
)
可以应对梯度爆炸,但无法解决梯度衰减的问题。因此,给定一个时间序列,例如文本序列,循环神经网络在实际中其实较难捕捉两个时刻距离较大的文本元素(字或词)之间的依赖关系。
...
@@ -24,9 +24,9 @@ $$\mathbf{Z}_t = \sigma(\mathbf{X}_t \mathbf{W}_{xz} + \mathbf{H}_{t-1} \mathbf{
...
@@ -24,9 +24,9 @@ $$\mathbf{Z}_t = \sigma(\mathbf{X}_t \mathbf{W}_{xz} + \mathbf{H}_{t-1} \mathbf{
### 候选隐含状态
### 候选隐含状态
我们可以通过元素值域在$[0, 1]$的更新门和重置门来控制隐含状态中信息的流动:这通常可以应用按元素乘法符$
\o
dot$。门控循环单元中的候选隐含状态$
\t
ilde{
\m
athbf{H}
_t}
\i
n
\m
athbb{R}^{n
\t
imes h}$使用了值域在$[-1, 1]$的双曲正切函数tanh做激活函数:
我们可以通过元素值域在$[0, 1]$的更新门和重置门来控制隐含状态中信息的流动:这通常可以应用按元素乘法符$
\o
dot$。门控循环单元中的候选隐含状态$
\t
ilde{
\m
athbf{H}
}_t
\i
n
\m
athbb{R}^{n
\t
imes h}$使用了值域在$[-1, 1]$的双曲正切函数tanh做激活函数:
$$
\t
ilde{
\m
athbf{H}
_t}
=
\t
ext{tanh}(
\m
athbf{X}_t
\m
athbf{W}_{xh} +
\m
athbf{R}_t
\o
dot
\m
athbf{H}_{t-1}
\m
athbf{W}_{hh} +
\m
athbf{b}_h)$$
$$
\t
ilde{
\m
athbf{H}
}_t
=
\t
ext{tanh}(
\m
athbf{X}_t
\m
athbf{W}_{xh} +
\m
athbf{R}_t
\o
dot
\m
athbf{H}_{t-1}
\m
athbf{W}_{hh} +
\m
athbf{b}_h)$$
其中的$
\m
athbf{W}_{xh}
\i
n
\m
athbb{R}^{x
\t
imes h}$和$
\m
athbf{W}_{hh}
\i
n
\m
athbb{R}^{h
\t
imes h}$是可学习的权重参数,$
\m
athbf{b}_h
\i
n
\m
athbb{R}^{1
\t
imes h}$是可学习的偏移参数。
其中的$
\m
athbf{W}_{xh}
\i
n
\m
athbb{R}^{x
\t
imes h}$和$
\m
athbf{W}_{hh}
\i
n
\m
athbb{R}^{h
\t
imes h}$是可学习的权重参数,$
\m
athbf{b}_h
\i
n
\m
athbb{R}^{1
\t
imes h}$是可学习的偏移参数。
...
@@ -35,9 +35,9 @@ $$\tilde{\mathbf{H}_t} = \text{tanh}(\mathbf{X}_t \mathbf{W}_{xh} + \mathbf{R}_t
...
@@ -35,9 +35,9 @@ $$\tilde{\mathbf{H}_t} = \text{tanh}(\mathbf{X}_t \mathbf{W}_{xh} + \mathbf{R}_t
### 隐含状态
### 隐含状态
隐含状态$
\m
athbf{H}_t
\i
n
\m
athbb{R}^{n
\t
imes h}$的计算使用更新门$
\m
athbf{Z}_t$来对上一时刻的隐含状态$
\m
athbf{H}_{t-1}$和当前时刻的候选隐含状态$
\t
ilde{
\m
athbf{H}
_t}$做线性
组合,公式如下:
隐含状态$
\m
athbf{H}_t
\i
n
\m
athbb{R}^{n
\t
imes h}$的计算使用更新门$
\m
athbf{Z}_t$来对上一时刻的隐含状态$
\m
athbf{H}_{t-1}$和当前时刻的候选隐含状态$
\t
ilde{
\m
athbf{H}
}_t$做
组合,公式如下:
$$
\m
athbf{H}_t =
\m
athbf{Z}_t
\o
dot
\m
athbf{H}_{t-1} + (1 -
\m
athbf{Z}_t)
\o
dot
\t
ilde{
\m
athbf{H}
_t}
$$
$$
\m
athbf{H}_t =
\m
athbf{Z}_t
\o
dot
\m
athbf{H}_{t-1} + (1 -
\m
athbf{Z}_t)
\o
dot
\t
ilde{
\m
athbf{H}
}_t
$$
需要注意的是,更新门可以控制过去的隐含状态在当前时刻的重要性。如果更新门一直近似1,过去的隐含状态将一直通过时间保存并传递至当前时刻。这个设计可以应对循环神经网络中的梯度衰减问题,并更好地捕捉时序数据中间隔较大的依赖关系。
需要注意的是,更新门可以控制过去的隐含状态在当前时刻的重要性。如果更新门一直近似1,过去的隐含状态将一直通过时间保存并传递至当前时刻。这个设计可以应对循环神经网络中的梯度衰减问题,并更好地捕捉时序数据中间隔较大的依赖关系。
...
...
chapter_recurrent-neural-networks/index.md
浏览文件 @
7bd587bc
...
@@ -9,4 +9,5 @@
...
@@ -9,4 +9,5 @@
rnn-scratch
rnn-scratch
bptt
bptt
gru-scratch
gru-scratch
lstm-scratch
```
```
chapter_recurrent-neural-networks/lstm-scratch.md
浏览文件 @
7bd587bc
此差异已折叠。
点击以展开。
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录