python中RNN和LSTM的基本介绍

1、RNN

简单的神经网络和卷积神经网络都有一个主要的特点，那就是都不具备记忆能力，也就是说，它们都是分别处理每一个输入，而不存在前、后两个输入之间的关系。例如，您需要处理数据点或时序，您需要同时向网络显示整个时序，也就是将时序转换为单一数据点输入。采用这种输入方式的网络叫做前向神经网络(feddforwardnetwork)。

为了使这个过程更加容易理解，我们用简单的循环逻辑来实现一个RNN的前向传播。

#简单的RNN实现Numpy实现
import numpy as np
timesteps=100
input_feature=32
output_fearture=64
inputs=np.random.random((timesteps,input_feature))#生成100,32形状的矩阵
print(inputs)
state_t=np.zeros((output_fearture,))#生成64个全为0的数
print(state_t)
w=np.random.random((output_fearture,input_feature))
u=np.random.random((output_fearture,output_fearture))
b=np.random.random((output_fearture,))
successive_outputs=[]
for input_t in inputs:
    output_t=np.tanh(np.dot(w,input_t)+np.dot(u,state_t)+b)#np.dot表示数组点积
    successive_outputs.append(output_t)
    state_t=output_t
final_output_sequence=np.stack(successive_outputs,axis=0)
print(final_output_sequence)

2、LSTM

在理论上，RNN应该能够记住在过去的时间里看到过的信息，但是实际上它不可能学习长期存在的信息，主要是由于梯度消失的问题。因此研究人员设计了LSTM(longshort-termmemory)，也就是所谓的长短期记忆。

与RNN相比，LSTM多了一种跨域携带信息的多时间步法(细胞状态C)，这种步法类似于传送带，它运行方向与你所处理的序列方向平行，而序列中的信息可以随时跳到传送带上，然后被传送带送到更远的时间步，必要时还能原封不动地跳回来。那是LSTM的原理。

以上就是python中RNN和LSTM的基本介绍，希望能对大家有所帮助！

课程教程：python中RNN和LSTM的基本介绍

内容版权声明：除非注明，否则皆为本站转载文章。文章及图片版权归原作者所有，如有侵权请联系我们，我们立刻删除。