当前位置：首页 > news >正文

LSTM的变体

news 文章来源：https://blog.csdn.net/m0_64592880/article/details/142762971 2025/5/10 15:31:56

一、GRU

1、什么是GRU

门控循环单元（GRU）是一种循环神经网络（RNN）的变体，它通过引入门控机制来控制信息的流动，从而有效地解决了传统RNN中的梯度消失问题。GRU由Cho等人在2014年提出，它简化了LSTM的结构，将遗忘门和输入门合并为一个更新门，并增加了一个重置门，同时合并了单元状态和隐藏状态，使得模型更加简洁，训练速度更快，且在性能上与LSTM相当。

2、GRU的核心

核心在于两个门：更新门（update gate）和重置门（reset gate）。更新门控制着从前一时刻的状态信息中保留多少到当前状态，而重置门决定着前一状态有多少信息被写入到当前的候选集中。这种结构使得GRU在处理长序列数据时能够更好地捕捉长期依赖关系，同时减少了模型参数，提高了计算效率。

3、GRU的应用

应用非常广泛，包括但不限于自然语言处理（NLP）、语音识别、图像处理等领域。在NLP领域，GRU可以用于语言建模、情感分析、机器翻译等任务；在语音识别领域，GRU可以用于语音信号的特征提取和识别；在图像处理领域，GRU可以用于图像分类、目标检测等任务。GRU的简洁性和效率使其在处理大规模序列数据时具有优势。

在选择GRU和LSTM时，通常考虑的因素包括任务的复杂性、数据集的大小以及训练资源。由于GRU参数更少，收敛速度更快，因此在需要快速迭代和实验时，GRU通常是首选。然而，在某些需要对复杂序列依赖关系进行建模的任务中，LSTM可能会表现得更好。

总的来说，GRU是一种强大的循环神经网络架构，它通过引入门控机制来控制信息流，有效地解决了传统RNN的梯度消失问题。GRU的简洁性和效率使其在多种序列建模任务中表现出色，成为了深度学习中处理时序数据的重要工具之一。

4、GRU的工作原理

5、手写代码实现

import numpy as npclass GRU():def __init__(self, input_size, hidden_size):self.input_size = input_sizeself.hidden_size = hidden_size# 初始化参数w和bself.W_z = np.random.randn(self.hidden_size, self.input_size + self.hidden_size)self.b_z = np.zeros(self.hidden_size)# 重置门self.W_r = np.random.randn(self.hidden_size, self.input_size + self.hidden_size)self.b_r = np.zeros(self.hidden_size)# 候选隐藏状态self.W_h = np.random.randn(self.hidden_size, self.input_size + self.hidden_size)self.b_h = np.zeros(self.hidden_size)def tanh(self, x):return np.tanh(x)def sigmoid(self, x):return 1 / (1 + np.exp(-x))def forward(self, x):h_prev = np.zeros((self.hidden_size,))concat_input = np.concatenate([x, h_prev], axis=0)z_t = self.sigmoid(np.dot(self.W_z, concat_input) + self.b_z)r_t = self.sigmoid(np.dot(self.W_r, concat_input) + self.b_r)concat_reset_input = np.concatenate([x, r_t * h_prev], axis=0)h_hat_t = self.tanh(np.dot(self.W_h, concat_reset_input) + self.b_h)h_t = (1 - z_t) * h_prev + z_t * h_hat_treturn h_t

二、BiLSTM

1、什么是BiSTM

BiSTM，即双向门控循环单元（Bidirectional Gated Recurrent Unit），是一种循环神经网络（RNN）的变体。它结合了前向和后向的GRU，能够同时处理过去和未来的信息，从而更好地捕捉序列数据中的上下文关系。

在BiSTM中，数据通过两个GRU网络进行处理：一个从左到右（前向），另一个从右到左（后向）。这两个网络的输出然后被拼接或相加，形成最终的特征表示，这个特征表示包含了序列的双向信息。这种结构特别适合于需要理解序列中前后文信息的任务，如文本分类、语音识别、命名实体识别（NER）等。

2、BiSTM的关键特点包括：

双向信息捕捉：BiSTM能够同时考虑序列中每个元素之前的和之后的上下文信息，这使得它在处理像文本这样的序列数据时非常有效，因为文本中词汇的含义往往受到其前后词汇的影响。
门控机制：BiSTM继承了GRU的门控机制，包括更新门和重置门，这些门控单元可以控制信息的流动，从而减少无效或噪声信息的干扰，并增强模型对重要信息的记忆能力。
应用广泛：BiSTM因其强大的序列处理能力而被广泛应用于各种领域，包括自然语言处理（NLP）、语音识别、时间序列分析等。
模型性能：在某些任务中，BiSTM能够提供比单向GRU或LSTM更好的性能，尤其是在需要捕捉长期依赖关系的任务中。
模型复杂度：由于BiSTM包含两个GRU网络，其模型参数和计算复杂度相对于单向GRU或LSTM会有所增加，但在很多情况下，这种增加是值得的，因为它能带来更准确的预测结果

3、手写BiLSTM代码

import torch
import torch.nn as nn
from torch.nn.utils.rnn import pack_padded_sequence, pad_packed_sequenceclass LSTM(nn.Module):def __init__(self, vocab_size, target_size, input_size=512, hidden_size=512):super(LSTM, self).__init__()self.hidden_size = hidden_sizeself.embedding = nn.Embedding(vocab_size, input_size)self.mlp = nn.Sequential(nn.Linear(input_size, hidden_size),nn.GELU(),nn.Linear(hidden_size, hidden_size))self.lstm = nn.LSTM(hidden_size, hidden_size * 2, num_layers=3, batch_first=True, dropout=0.5)self.avg_lstm = nn.AdaptiveAvgPool1d(1)self.avg_linear = nn.AdaptiveAvgPool1d(1)self.out_linear = nn.Sequential(nn.Linear(hidden_size * 2 + hidden_size, hidden_size),nn.GELU(),nn.LayerNorm(hidden_size),nn.Linear(hidden_size, target_size))self.norm = nn.LayerNorm(hidden_size * 2)def forward(self, x, lengths):x = self.embedding(x)mlp = self.mlp(x)pached_embed = pack_padded_sequence(mlp, lengths, batch_first=True, enforce_sorted=False)lstm_out, _ = self.lstm(pached_embed)lstm_out, _ = pad_packed_sequence(lstm_out, batch_first=True)lstm_out = self.norm(lstm_out)avg_lstm = self.avg_lstm(lstm_out.permute(0, 2, 1)).squeeze(-1)avg_linear = self.avg_linear(mlp.permute(0, 2, 1)).squeeze(-1)out = torch.cat([avg_lstm, avg_linear], dim=-1)return self.out_linear(out)class BiLSTM(nn.Module):def __init__(self, input_size=512, hidden_size=512, output_size=512):super(BiLSTM, self).__init__()self.hidden_size = hidden_sizeself.lstm_forward = nn.LSTM(input_size, hidden_size, num_layers=1, batch_first=True)self.lstm_backward = nn.LSTM(input_size, hidden_size, num_layers=1, batch_first=True)def forward(self, x):out_forward, _ = self.lstm_forward(x)out_backward, _ = self.lstm_backward(torch.flip(x, dims=[1]))out_backward = torch.flip(out_backward, dims=[1])combined_output = torch.cat([out_forward, out_backward], dim=-1)return combined_output