深度學習_(時間)序列模型筆記(LSTM)_LSTM的三道門_改善RNN處理序列模型存在的缺陷
RNN處理序列模型存在的缺陷 1.長距離依賴(long term dependencies)問題: RNN模型藉由隱藏資訊進行傳遞，較早時間步的隱藏資訊，透過時間步傳遞，會逐漸消失且無法幫助預測。 比方預測一句話下一個可能出現的單詞 臺北是台灣的..... 首都 這很容易聯想預測，因為句子還滿簡短的 2.短距離無用資訊: RNN在距離較近的時間步中保存的隱藏資訊較多，也會存到無用資訊。 用上面句子來舉例，該句中"的"對預測無幫助意義，可視為停頓詞，但和預測單詞距離鄰近。 https://medium.com/data-science-data-engineering/time-series-prediction-lstm-bi-lstm-gru-99334fc16d75 長短期記憶LSTM(Long Short-Term Memory) 也是一種RNN，算是改良版。 專門用於規避梯度消失和爆炸等問題。 可避免長期依賴問題 更可避免短期無用資訊。 LSTM 不像傳統RNN那樣只有單個 tanh 層，而是包含四個內部通訊的互動層。 LSTM會透過細胞狀態貫穿整個序列，可更好對資訊做更好分析處理。 LSTM使用門"Gate"控機制來控制如何擦除記憶並同時寫入新的記憶，分別有如下幾種門: 遺忘門(Forget Gate) 輸入門(Input Gate) 輸出門(Output Gate) 上述示意圖圖對應圖標含意 LSTM中所謂的"門"其實是一種讓資訊選擇式通過的方法(可去除或增加資訊到細胞狀態) 通常門會包含一個sigmoid神經網路層和一個pointwise乘法操作 Sigmoid層輸出0~1之間的數值，主要用來描述每個部份有多少量可通過。 (比方0就表示不允許任何量通過，1就表示允許任意量通過。它可以用來決定忘記或記住資訊。) LSTM的三道門如下依序介紹門控機制 LSTM的核心內容就是Ct 1.遺忘門: "細胞"中要丟掉捨麼訊息，都由遺忘門來處理。 該層讀取當前輸入x跟前一個神經元資訊h，由ft來決定丟棄的資訊。 輸出結果1表示"完全保留"，0表示"完全捨棄"。 h t-1 ：上一個LSTM單元的輸出 σ：Sigmoid層 2.輸入門: 細胞...
