LSTM理论学习

• 理论参考链接：Understanding LSTM Networks：简明易懂，网友翻译版

  LSTM最关键的就是实现cell state的传输，而gate的存在决定传输过程中，以前的cell state信息多少需要抛弃，多少输入信息需要加入新的cell state，多少信息需要输出。(所以有forget, input, output三个gate)

  1. 忘记多少cell state：forget gate 观察上一个时刻的hidden state和此刻的输入x，决定需要忘记上一个时刻的cell state多少信息（0表示全忘记，1表示全记住）
  2. 增加多少输入信息：input gate观察上一个时刻的hidden state和此刻的输入x，决定需要将多少信息增加到此刻的cell state
  3. 候选cell state：观察输入的上一个时刻的hidden state和此刻的输入x，用tanh激励函数转换
  4. 如何更新cell state：将forget gate乘以上一刻的cell state，将input gate乘以此刻的候选cell state，得到新的cell state
  5. 输出多少cell state：output gate观察上一个时刻的hidden state和此刻的输入x，决定需要将多少cell state输出
  6. 输出信息：将forget gate乘以此刻的tanh(cell state)

  input的大小是

  1∗x

  ，hidden state和cell state的大小是

  1∗d

  , weight matrix的大小是

  Rn+d∗Rd

  ， 其中d就是num_lstm_units。

  ​ 关于以上size的参考stackoverflow 、quora Dan Elton的回答。

  LSTM的参数数量，参考stackoverflow：4d*(n+d)，d是num_lstm_units，n是input的维度。

  ​

• 讲述LSTM的Forward和Backward的过程：Arun 的github博客

• 一百多行代码用python实现Lstm的8位加法器，每行代码都有详细讲解，并辅以gif：https://iamtrask.github.io/2015/11/15/anyone-can-code-lstm/

• 一百多行实现原始的RNN 网络，用于处理character-level language来自karpathy github: min-char-cnn

• LSTM的python实现讲解

• tensorflow RNN cell的源码

• Visualizing and Understanding Recurrent Networks

  ​