python中RNN和LSTM的基本介紹

1、RNN

簡單的神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)都有一個主要的特點，那就是都不具備記憶能力，也就是說，它們都是分別處理每一個輸入，而不存在前、后兩個輸入之間的關(guān)系。例如，您需要處理數(shù)據(jù)點或時序，您需要同時向網(wǎng)絡(luò)顯示整個時序，也就是將時序轉(zhuǎn)換為單一數(shù)據(jù)點輸入。采用這種輸入方式的網(wǎng)絡(luò)叫做前向神經(jīng)網(wǎng)絡(luò)(feddforwardnetwork)。

為了使這個過程更加容易理解，我們用簡單的循環(huán)邏輯來實現(xiàn)一個RNN的前向傳播。

#簡單的RNN實現(xiàn)Numpy實現(xiàn)

importnumpyasnp

timesteps=100

input_feature=32

output_fearture=64

inputs=np.random.random((timesteps,input_feature))#生成100,32形狀的矩陣

print(inputs)

state_t=np.zeros((output_fearture,))#生成64個全為0的數(shù)

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=[]

forinput_tininputs:

output_t=np.tanh(np.dot(w,input_t)+np.dot(u,state_t)+b)#np.dot表示數(shù)組點積

successive_outputs.append(output_t)

state_t=output_t

final_output_sequence=np.stack(successive_outputs,axis=0)

print(final_output_sequence)

2、LSTM

在理論上，RNN應(yīng)該能夠記住在過去的時間里看到過的信息，但是實際上它不可能學(xué)習(xí)長期存在的信息，主要是由于梯度消失的問題。因此研究人員設(shè)計了LSTM(longshort-termmemory)，也就是所謂的長短期記憶。

與RNN相比，LSTM多了一種跨域攜帶信息的多時間步法(細(xì)胞狀態(tài)C)，這種步法類似于傳送帶，它運(yùn)行方向與你所處理的序列方向平行，而序列中的信息可以隨時跳到傳送帶上，然后被傳送帶送到更遠(yuǎn)的時間步，必要時還能原封不動地跳回來。那是LSTM的原理。

以上就是python中RNN和LSTM的基本介紹，希望能對大家有所幫助!更多Python學(xué)習(xí)教程請關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。