干货 | 循环神经网络LSTM的数学过程
击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
本文转自 | OpenCV学堂
引言
长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R2 NN1),被广泛用于语言模型、机器翻译、语音识别等领域。[1]本文具体就LSTM的具体实现做出推导。
LSTM模型描述
因为传统的RNN在间隔不断增大的同时，会丧失学习到连接如此远的信息的能力。这个问题简称长期依赖问题，为了解决这个问题，LSTM通过刻意的设计来避免长期依赖问题。以下就是LSTM的结构图：
展开以后变成：
它与RNN的简单模型不一样的地方在于：
它是由记忆细胞、遗忘门、输入门、输出门组成。记忆细胞负责存储历史信息, 通过一个状态参数来记录和更新历史信息;三个门结构则通过Sigmoid函数决定信息的取舍, 从而作用于记忆细胞。[2]
遗忘门用来选择性忘记多余或次要的记忆
输入门决定我们需要更新什么值
输出门决定细胞状态的哪个部分输出出去
模型抽象和数学符号的说明
为了方便数学原理的推导，这里我们用下面的简略图代替：
前向传播算法
前向传播总体上就是对三个门进行计算，然后通过这三个门决定当前细胞的隐藏状态，更新当前记忆和过去的记忆，最终再计算出输出值传入下一次前向网络中：因为三个门的情况不仅取决于输入向量Xt，还取决于ht-1
反向传播算法
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~