从动图中理解 RNN,LSTM 和 GRU

原标题:从动图中理解 RNN,LSTM 和 GRU

原标题 | Animated RNN, LSTM and GRU

作者 | Raimi Karim

译者 | 汪鹏(重庆邮电大学)、Overfitting

注:本文的相关链接请访问文末【阅读原文】

原标题 | Animated RNN, LSTM and GRU

作者 | Raimi Karim

译者 | 汪鹏(重庆邮电大学)、Overfitting

注:本文的相关链接请访问文末【阅读原文】

递归神经网络(RNNs)是一类常用的序列数据人工神经网络。三种最常见的递归神经网络类型分别是:

要指出的一点是,我将使用"RNNS"来统称本质上是递归神经网络结构,"vanilla RNN"来指代在图一所展示的最简单的循环神经网络结构.

有很多关于递归神经网络的图解.

我个人最喜欢的一个是Michael Nguyen发表在《走向数据科学》(Towards Data Science)的这篇文章,因为他不仅给我们提供了对这些模型的直觉,更重要的是这些漂亮的插图,使我们更容易理解。但我发表这篇文章的动机是为了更好地理解这些单元中发生了什么,节点是如何共享的,以及它们是如何转换为输出节点。这里,我也受到了Michael的动画启发。

本文研究了vanilla RNN、LSTM和GRU单元。这是一个简短的概述,是为那些读过关于这些主题的文章的人准备的。(我建议在阅读本文之前先阅读Michael的文章),需要注意的是,以下动画是按顺序引导的,但在向量化的机器计算过程中并不反映时间上的顺序。

下面是我用来做说明的图例:

图0:动画图例

在我的动画中,我使用了大小为3(绿色)的输入和2个隐藏单元(红色),批量大小为1。

让我们开始吧!

Vanilla RNN

图1:vanilla RNN 示意动画

  • t—时间步长
  • X—输入
  • h—隐藏状态
  • X的长度—输入的大小
  • h的长度—隐藏单元。 请注意不同的库以不同的方式调用它们,但它们的含义相同: - Keras — state_size ,units - PyTorch — hidden_size - TensorFlow — num_units

LSTM(长短期记忆网络)

图2:LSTM 示意动画

  • C - 单元状态

注意,单元状态的维度与隐藏状态的维度相同。

GRU

图3:GRU 示意动画

希望这些动画能以某种方式帮助你!以下是静态图像中的概况:

图4:Vanilla RNN 单元

图5:LSTM 单元

图6:GRU 单元

一个提醒:我使用Google绘图来创建的这些示意图。

参考资料

  • 了解LSTM Networks - colah 的博客。 https://colah.github.io/posts/2015-08-Understanding-LSTMs/
  • LSTM和GRU的插图指南:逐步解释 https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21

本文编辑:王立鱼

英文原文:

https://towardsdatascience.com/animated-rnn-lstm-and-gru-ef124d06cf45

想要继续查看该篇文章相关链接和参考文献?

https://ai.yanxishe.com/page/TextTranslation/1601返回搜狐,查看更多

责任编辑:

声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
免费获取
今日搜狐热点
今日推荐