PyTorch-RNN笔记

糖人豆丁

于 2019-02-07 13:37:23 发布

阅读量263

点赞数

CC 4.0 BY-SA版权

分类专栏： AI DeepLearning 文章标签： RNN PyTorch

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/newmemory/article/details/86771344

AI 同时被 2 个专栏收录

3 篇文章

订阅专栏

2 篇文章

订阅专栏

本文深入探讨了时间序列处理中的RNN和LSTM模型，对比了两种模型的特性，详细解释了LSTM如何通过引入闸门机制解决梯度弥散问题，以及在PyTorch中的具体应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

时间序列
1. 采用两种数据表示方式：[word_num, batch, word_vec]和[batch, word_num, word_vec]
2. PyTorch中Embedding有两种表示方式：word2vec和GloVe，而且已经提供了实现方式。
  3)PyTorch中使用nn.Embedding执行查表操作，使用PyTorch中面向自然语言处理的torchnlp包可以实现。使用GloVe是一种编码方式，会直接下载一个2.18GB大小的文件，可以直接使用。
3. 也可以将输入图片看做时序信号，从上到下每个时间点对应一行像素点！
用RNN对时间信号序列进处理：
1. 公式化表示：
  h_t = f_W(h_t-1, x_t)
  ||
  h_t = tanh(W_hhh_t-1+W_xhx_t)
  y_t = W_hyh_t
  NOTE:这里Ｗ_hh和Ｗ_xh是权值共享的！
RNN训练
1. 梯度经验值是在10左右比较合适，如果大于100就会出现梯度爆炸的情形了！对于梯度爆炸，可以使用torch.nn.utils.clip_grad_norm(grad, threshold)对梯度grad进行修改，使梯度的值控制在threshold的范围内，即缩小了梯度的值但并没有改变其方向！
LSTM
1. 用LSTM解决梯度弥散问题！
2. RNN的memory是short-term-memory，只能记住相近的信息；LSTM(Long short term memory)将记忆的时间序列加长了！
3. 对记忆信息h_t-1，应用一个"闸门"有目的性的进行过滤，对当下的信息x_t也应用一个“闸门”，然后对这两者进行一个“结合”，最后输出的使用也应用一个“闸门”控制信息的输出量！采用sigmoid函数控制输出量！
  
  这里的memory还是C_t，而h_t是在C_t基础上的逻辑输出，是直接拿来用的部分，而C_t会继续维护在LSTM里面！
  
  形式化表示如上图，更加形式化的理解如下图（０表示打开，１表示关闭）
4. PyTorch中LSTM的使用
5. Embedding层本质上是一张表

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。