LSTM变种-GRU网络结构

简介

GRU是LSTM的一种变体，其将忘记门和输入门合成了一个单一的更新门。同样还混合了细胞状态和隐藏状态，加诸其他一些改动。最终的模型比标准的 LSTM 模型要简单，是非常流行的变体。
使用LSTM的原因之一是解决RNN Deep Network的Gradient错误累积太多，以至于Gradient归零或者成为无穷大，所以无法继续进行优化的问题。GRU的构造更简单：比LSTM少一个gate，这样就少几个矩阵乘法。在训练数据很大的情况下GRU能节省很多时间。

GRU模型

与LSTM不同，GRU只有两个门了，分别为更新门和重置门，即图中的zt$z_t$和rt$r_t$。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。

GRU训练

从前面的公式中可以看到需要学习的参数就是WrWzWhWo$W_r{W}_z{W}_h{W}_o$那些权重参数，其中前三个权重都是拼接的，所以在学习时需要分割出来，即

输出层的输入yit=Woh，输出为yot=σ(yit)$y_t^i=W_{o}h，输出为y_t^o=\sigma (y_t^i)$。
设某时刻的损失函数为Et=1/2∗(yd−yot)2$Et=1/2\ast (y_d-y_t^o{)}^2$，则某样本的损失为

与前面LSTM网络类似，最终可以推出

GRU与LSTM

参考资料：
https://blog.csdn.net/wangyangzhizhou/article/details/77332582
https://blog.csdn.net/lreaderl/article/details/78022724