摄影网站的实验设计方案,做网站的书知乎,农业网站怎么做,wordpress显示切换到桌面版1. 什么是LSTM
长短期记忆网络 LSTM#xff08;long short-term memory#xff09;是 RNN 的一种变体#xff0c;其核心概念在于细胞状态以及“门”结构。细胞状态相当于信息传输的路径#xff0c;让信息能在序列连中传递下去。你可以将其看作网络的“记忆”。理论上讲long short-term memory是 RNN 的一种变体其核心概念在于细胞状态以及“门”结构。细胞状态相当于信息传输的路径让信息能在序列连中传递下去。你可以将其看作网络的“记忆”。理论上讲细胞状态能够将序列处理过程中的相关信息一直传递下去。因此即使是较早时间步长的信息也能携带到较后时间步长的细胞中来这克服了短时记忆的影响。信息的添加和移除我们通过“门”结构来实现“门”结构在训练过程中会去学习该保存或遗忘哪些信息。 2. 实验代码
2.1. 搭建一个只有一层RNN和Dense网络的模型。 2.2. 验证LSTM里的逻辑 假设我的输入数据是x [1,0],
kernel [[[2, 1, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0], [1, 1, 0, 1, 1, 0, 0, 1, 1 ,0, 0, 0],]]
recurrent_kernel [[1, 0, 0, 1, 2,1,0,1,2,0,1,0], [1, 1, 0, 0, 2,1,0,1,2,2,0,0], [1, 0, 1, 2, 0,1,0,1,1,0,1,0]]
biase [3, 1, 0, 1, 1,0,0,1,0,2,0.0,0]
通过下面手算h的结果是[0, 4,1], c 的结果是[0,4,1]. 注意无激活函数。 代码验证上面的结果 def change_weight():# Create a simple Dense layerlstm_layer LSTM(units3, input_shape(3, 2), activationNone, recurrent_activationNone, return_sequencesTrue,return_state True)# Simulate input data (batch size of 1 for demonstration)input_data np.array([[[1.0, 2], [2, 3], [3, 4]],[[5, 6], [6, 7], [7, 8]],[[9, 10], [10, 11], [11, 12]]])# Pass the input data through the layer to initialize the weights and biaseslstm_layer(input_data)kernel, recurrent_kernel, biases lstm_layer.get_weights()# Print the initial weights and biasesprint(recurrent_kernel:, recurrent_kernel, recurrent_kernel.shape ) # (3,3)print(kernal:,kernel, kernel.shape) #(2,3)print(biase: ,biases , biases.shape) # (3)kernel np.array([[2, 1, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0],[1, 1, 0, 1, 1, 0, 0, 1, 1 ,0, 0, 0],])recurrent_kernel np.array([[1, 0, 0, 1, 2,1,0,1,2,0,1,0],[1, 1, 0, 0, 2,1,0,1,2,2,0,0],[1, 0, 1, 2, 0,1,0,1,1,0,1,0]])biases np.array([3, 1, 0, 1, 1,0,0,1,0,2,0.0,0])lstm_layer.set_weights([kernel, recurrent_kernel, biases])print(lstm_layer.get_weights())# test_data np.array([# [[1.0, 3], [1, 1], [2, 3]]# ])test_data np.array([[[1,0.0]]])output, memory_state, carry_state lstm_layer(test_data)print(output)print(memory_state)print(carry_state)
if __name__ __main__:change_weight()
执行结果
recurrent_kernel: [[-0.36744034 -0.11181469 -0.10642298 0.5450207 -0.30208975 0.54054320.09643812 -0.14983998 0.1859854 0.2336958 -0.16187981 0.11621032][ 0.07727922 -0.226477 0.1491096 -0.03933501 0.31236103 -0.129630920.10522162 -0.4815724 -0.2093935 0.34740582 -0.60979587 -0.15877807][ 0.15371156 0.01244636 -0.09840634 -0.32093546 0.06523462 0.189349320.38859126 -0.3261706 -0.05138849 0.42713478 0.49390993 0.37013963]] (3, 12)
kernal: [[-0.47606698 -0.43589187 -0.5371355 -0.07337284 0.30526626 -0.18241835-0.03675252 0.2873094 0.33218485 0.24838251 0.17765659 0.4312396 ][ 0.4007727 0.41280174 0.40750778 -0.6245315 0.6382301 0.428892250.11961156 -0.6021105 -0.43556038 0.39798307 0.6390712 0.16719025]] (2, 12)
biase: [0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0.] (12,)
[array([[2., 1., 1., 0., 0., 0., 0., 1., 1., 0., 1., 0.],[1., 1., 0., 1., 1., 0., 0., 1., 1., 0., 0., 0.]], dtypefloat32), array([[1., 0., 0., 1., 2., 1., 0., 1., 2., 0., 1., 0.],[1., 1., 0., 0., 2., 1., 0., 1., 2., 2., 0., 0.],[1., 0., 1., 2., 0., 1., 0., 1., 1., 0., 1., 0.]], dtypefloat32), array([3., 1., 0., 1., 1., 0., 0., 1., 0., 2., 0., 0.], dtypefloat32)]
tf.Tensor([[[0. 4. 0.]]], shape(1, 1, 3), dtypefloat32)
tf.Tensor([[0. 4. 0.]], shape(1, 3), dtypefloat32)
tf.Tensor([[0. 4. 1.]], shape(1, 3), dtypefloat32)
可以看出h[0,4,0], c[0,4,1]
