LSTM和GRU cs224n

https://zhuanlan.zhihu.com/p/28297161 （图解LSTM和GRU清晰）
通过机器翻译来介绍LSTM和GRU

传统做法

需要的两个平行语料库，然后基于统计分析的模型

这种方法是很难的，因为涉及到多对多以及很多的句法对齐。如果很容易就不会由后面的改进了。
这里他提出了一个思想我觉得很重要：
end-to-end model: 这还只是传统机器翻译系统的冰山一角，有许多细节没有涉及到，还需要大量的人肉特征工程，总之是非常复杂的系统。其中每个环节都是独立不同的机器学习问题。这些独立的模型各自为政，并不以一个统一的优化目标为最终目标。

而深度学习则提供了一个统一的模型，一个统一的最终目标函数。在优化目标函数的过程中，得到一个end to end的完整的joint模型。传统机器翻译系统与深度学习是截然相反的，对齐模型、词序模型、语言模型……一堆独立的模型无法联合训练。

RNN

红圈所示特征表示必须能捕捉整个原文短语的语义，但是RNN无法记住太久之前的事情，大概五六个单词就到极限了。所以这不是个实用的模型。(因为梯度弥散)
上图中：
Encoder是：
$$h_t=?(h_{t?1},x_t)=f(W^{(hh)}{h}_{t?1}+W^{(hx)}{x}_t)$$
Decoder是：
$$equation{h}_t=?(h_{t?1})=f(W^{(hh)}{h}_{t?1})$$
$$y_t=softmax(W^{(S)}{h}_t)$$
最小化所有训练实例上的交叉熵误差：
$$\underset{\theta }{\max }\frac{1}{N}\sum _{n=1}^N\log p_{\theta }(y^{(n)}|x^{(n)})$$
如何终止decoder：softmax分类器会中有个代表句子终止的类。

拓展

1. train different weights for encoding and decoding
2. compute every hidden state in decoder from:

• 前一个时刻的隐藏层
• encoder的最后一个隐藏层(c=hT)
• 前一个预测结果 $y_{t?1}$(为了避免不要出现重复的词)
  3、使用深度RNN
  4、使用 bi-directional encoder(这跟逆序训练的意思差不多)
  优点：
  end-to-end
  我们不需要给真正的语法，而是让模型去capture grammar
  缺点：
  它没有办法重新调整次序，也没有办法记忆encoder中的前面的词。

其中第2点的示意图：

第3点的示意图：

GRU(Gated Recurrent Units)

其主要特点：

• 模型学习何时遗忘从而将记忆保持很久
• 允许误差根据输入的不同而不同。
  其主要公式如下
  update gate:
  $$z_t=\sigma \left(W^{(z)}{x}_t+U^{(z)}{h}_{t?1}\right)$$
  reset gate:
  $$r_t=\sigma \left(W^{(r)}{x}_t+U^{(r)}{h}_{t?1}\right)$$
  new memory content:
  $${\tilde{h}}_t=\tanh (r_t?U{h}_{t?1}+W{x}_t)$$
  finale content:
  $$h_t=(1?z_t)?{\tilde{h}}_t+z_t?h_{t?1}$$
  这里的意思是，之前的记忆由reset gate控制，如果reset gate元素都是0，则遗忘之前的事情。比如电影评论的情感分析，“有个文艺的少男爱死了一个平凡的少女，这个平凡的少女也爱死了那个文艺的少男，可两个人就是无法相会巴拉巴拉，真是个无聊的电影”。无论前面说了多少话，起决定性作用的可能就是“无聊”这个词。那么一些GRU可能会说，我遇到了一个情感强烈的词语，我不想让它被之前的记忆冲淡（求和），所以我把reset gate设为0，之前的记忆不起作用，把这个情感词汇写成新的记忆。
  而update gate的作用是调节最后的更新，到底时刻t的记忆多少来自之前，多少来自当前。

我一开始以为这个图解释的很清楚，但是原来gate的作用是连续的不是0/1的。

LSTM（Long-Short-Term-Memories）

LSTM与GRU动机相似，只不过单元结构有点不同。GRU的单元结构如下:

LSTM单元结构如下：


自己的理解：