神經網絡學習小記錄36——Keras實現LSTM
學習前言
我死了我死了我死了!
什麼是LSTM
1、LSTM的結構
我們可以看出,在n時刻,LSTM的輸入有三個:
- 當前時刻網絡的輸入值Xt;
- 上一時刻LSTM的輸出值ht-1;
- 上一時刻的單元狀態Ct-1。
LSTM的輸出有兩個:
- 當前時刻LSTM輸出值ht;
- 當前時刻的單元狀態Ct。
2、LSTM獨特的門結構
LSTM用兩個門來控制單元狀態cn的內容:
- 遺忘門(forget gate),它決定了上一時刻的單元狀態cn-1有多少保留到當前時刻;
- 輸入門(input gate),它決定了當前時刻網絡的輸入c’n有多少保存到新的單元狀態cn中。
LSTM用一個門來控制當前輸出值hn的內容:
- 輸出門(output gate),它利用當前時刻單元狀態cn對hn的輸出進行控制。
3、LSTM參數量計算
a、遺忘門
遺忘門這裏需要結合ht-1和Xt來決定上一時刻的單元狀態cn-1有多少保留到當前時刻;
由圖我們可以得到,我們在這一環節需要計一個參數ft。
裏面需要訓練的參數分別是Wf和bf。
在定義LSTM的時候我們會使用到一個參數叫做units,其實就是神經元的個數,也就是LSTM的輸出——ht的維度。
所以:
遺忘門的總參數量爲:
b、輸入門
輸入門這裏需要結合ht-1和Xt來決定當前時刻網絡的輸入c’n有多少保存到單元狀態cn中。
由圖我們可以得到,我們在這一環節需要計算兩個參數,分別是it。
和C’t
裏面需要訓練的參數分別是Wi、bi、WC和bC。
在定義LSTM的時候我們會使用到一個參數叫做units,其實就是神經元的個數,也就是LSTM的輸出——ht的維度。
所以:
輸入門的總參數量爲:
c、輸出門
輸出門利用當前時刻單元狀態cn對hn的輸出進行控制;
由圖我們可以得到,我們在這一環節需要計一個參數ot。
裏面需要訓練的參數分別是Wo和bo。
在定義LSTM的時候我們會使用到一個參數叫做units,其實就是神經元的個數,也就是LSTM的輸出——ht的維度。
所以:
輸出門的總參數量爲:
d、全部參數量
所以所有的門總參數量爲:
在Keras中實現LSTM
LSTM一般需要輸入兩個參數。
一個是unit、一個是input_shape。
LSTM(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))
unit用於指定神經元的數量。
input_shape用於指定輸入的shape,分別指定TIME_STEPS和INPUT_SIZE。
實現代碼
import numpy as np
from keras.models import Sequential
from keras.layers import Input,Activation,Dense
from keras.models import Model
from keras.datasets import mnist
from keras.layers.recurrent import LSTM
from keras.utils import np_utils
from keras.optimizers import Adam
TIME_STEPS = 28
INPUT_SIZE = 28
BATCH_SIZE = 50
index_start = 0
OUTPUT_SIZE = 10
CELL_SIZE = 75
LR = 1e-3
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
X_train = X_train.reshape(-1,28,28)/255
X_test = X_test.reshape(-1,28,28)/255
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
inputs = Input(shape=[TIME_STEPS,INPUT_SIZE])
x = LSTM(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))(inputs)
x = Dense(OUTPUT_SIZE)(x)
x = Activation("softmax")(x)
model = Model(inputs,x)
adam = Adam(LR)
model.summary()
model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])
for i in range(50000):
X_batch = X_train[index_start:index_start + BATCH_SIZE,:,:]
Y_batch = Y_train[index_start:index_start + BATCH_SIZE,:]
index_start += BATCH_SIZE
cost = model.train_on_batch(X_batch,Y_batch)
if index_start >= X_train.shape[0]:
index_start = 0
if i%100 == 0:
cost,accuracy = model.evaluate(X_test,Y_test,batch_size=50)
print("accuracy:",accuracy)
實現效果:
10000/10000 [==============================] - 3s 340us/step
accuracy: 0.14040000014007092
10000/10000 [==============================] - 3s 310us/step
accuracy: 0.6507000041007995
10000/10000 [==============================] - 3s 320us/step
accuracy: 0.7740999992191792
10000/10000 [==============================] - 3s 305us/step
accuracy: 0.8516999959945679
10000/10000 [==============================] - 3s 322us/step
accuracy: 0.8669999945163727
10000/10000 [==============================] - 3s 324us/step
accuracy: 0.889699995815754
10000/10000 [==============================] - 3s 307us/step