有关LSTM的其他知识

本文主要是介绍有关LSTM的其他知识，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、LSTM和attention在机器翻译领域的应用：

          全面解析RNN,LSTM,Seq2Seq,Attention注意力机制：这篇文章很好的讲解了简单的Seq2Seq模型是怎样的，以及怎么利用LSTM做翻译，以及如何在Seq2Seq中引入attention进行计算的，感觉算是Seq2Seq比较好的一个入门。

         如果对LSTM和RNN比较熟悉的，可以直接跳过这两部分的介绍。

 

2、几种RNN模型的动画理解

      超生动图解LSTM和GRU：拯救循环神经网络的记忆障碍，就靠它们了，这篇文章以动画的形式展示每个模型每一步是怎么计算的，如果熟悉RNN模型的基本计算的，可以跳过这篇文章，完全没问题。如果是初入门，可以看下这篇，讲得很清晰。

 

3、计算LSTM中神经元的个数的，也就是模型要训练的参数的个数

     LSTM的神经元个数，得到的结论是，如果输入的x的embedding的维度是n，最后输出的短时记忆/局部信息h_t/门状态/cell state的维度是m，那么最终一层LSTM的神经元的个数是 4*((m + n) * m + m)。

 

4、RNN的梯度问题

    RNN梯度消失和爆炸的原因，这个作者从公式推导的角度给出了RNN中的梯度的问题(虽然作者的另一篇文章没有解释好LSTM怎么解决这种梯度消失的，但是对RNN梯度的解释还是蛮好蛮直观的)。其实看完可以发现，RNN并不是说整体的总梯度消失，而是在每一步计算时，离当前步(t)比较近的时刻的梯度任然有效，但是与t相隔比较远的那部分梯度因为链式求导的原因，跟其他的DNN网络一样，梯度也会消失，但是作为当前时刻的梯度，它包含由近及远的所有梯度和，所以总体来说是不会消失的，这应该也是RNN不能捕捉远距离信息的原因吧（其实在前向传播中，RNN也是把前面的所有信息一股脑全传给后面的时刻了，但是反向传播求导的时候，远距离的梯度根本没算进去，也就是说当前误差对远距离时刻的影响消失了）。

 

5、LSTM的梯度问题

    漫谈LSTM系列的梯度问题，参考第4个问题的那篇文章，讲了LSTM是如何通过门的问题解决反向传播的长距离依赖的。

这篇关于有关LSTM的其他知识的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---