目录:
1.LSTM简单介绍
LSTM在时间上展开
红框从左到右,依次是:
忘记门层: 决定从细胞状态中丢弃什么信息,通过当前时刻输入和前一个时刻输出决定
细胞状态: 确定并更新新信息到当前时刻的细胞状态中
输出门层: 基于目前的细胞状态决定该时刻的输出
2.简单假设样例
假设现有一个样本,Shape=(13,5),时间步是13,每个时间步的特征长度是5.形象点,我把一个样本画了出来:
一个样本
使用Keras框架添加LSTM层时,我的设置是这样的keras.layers.LSTM(10),也就是我现在设定,每个时间步经过LSTM后,得到的中间隐向量是10维(意思是5->10维),13个时间步的数据进去得到的是(13*10)的数据.
每个时间步对应神经元个数(参数个数)一样.也就是算一个LSTM中神经元个数,算一个时间步中参与的神经元个数即可.下面将对LSTM每个计算部分进行神经元分析.
3.神经元分析
3.1忘记门层
忘记门层
图中公式的为该层的参数.
该层输出是中间隐向量的长度(10),经过里面的操作得到10维特征即可.
是(1,10)的矩阵.
即:该层神经元为:
3.2细胞状态
(1)确定更新信息过程
确定该时刻细胞要更新的内容
可以看到,这里公式和前面的一样的,都是激活函数,不影响参数个数.
同理这过程的神经元个数是:
(2)更新过程
细胞状态更新
公式中的四个值,均是前面计算得到的结果,因此该过程没有参数需要学习.
3.3输出层
输出门层
一样的公式,神经元个数一样.即个数为:
3.4总结
把公式(1),(2),(3)的神经元加起来,就是该LSTM的神经元个数了.
其实,我们可以把这个问题一般化,不看这个例子,假设你一个时间步的特征长度是n,经过该LSTM得到的长度是m,这样就可以算出该LSTM层的神经元个数为:
4.测试
-
from keras.layers import LSTM
-
from keras.models import Sequential
-
- time_step=13
- featrue=5
- hidenfeatrue=10
-
- model=Sequential()
- model.add( LSTM(hidenfeatrue,input_shape=(time_step,featrue)))
- model.summary()
输出是:
- _________________________________________________________________________________
- Layer (type) Output Shape Param #
- =================================================================================
- lstm_8 (LSTM) (None, 10) 640
- =================================================================================
- Total params: 640
- Trainable params: 640
- Non-trainable params: 0
- _________________________________________________________________________________
-