Question

有人可以解释一下吗？我知道双向LSTM具有前向和后向通道，但这比单向LSTM有什么优势？

他们每个人更适合什么？

Answer 1

LSTM的核心，使用隐藏状态保存已经通过它的输入信息。

单向LSTM仅保留过去的信息，因为它看到的唯一输入来自过去。

使用双向将以两种方式运行您的输入，一种从过去到未来，一种从未来到过去，这种方法与单向的不同之处在于，在向后运行的LSTM中，您保留来自 future的信息并且使用两种隐藏状态，您可以在任何时间点保存过去和未来的信息。

他们适合的是一个非常复杂的问题，但BiLSTM显示非常好的结果，因为他们可以更好地理解上下文，我将尝试通过一个例子来解释。

让我们说我们试图预测一个句子中的下一个单词，从高层次来看单向LSTM会看到的是

男孩们去了......

并且将尝试仅通过此上下文预测下一个单词，使用双向LSTM，您将能够在未来的路上看到信息，例如

转发LSTM：

男孩们去了......

向后LSTM：

......然后他们离开了游泳池

您可以看到，使用未来的信息可以让网络更容易理解下一个词是什么。

Answer 2

在Bluesummer的答案中，这是如何从头开始实现双向LSTM而不调用BiLSTM模块的方法。这可能会更好地对比单向和双向LSTM之间的差异。如您所见，我们将两个LSTM合并以创建双向LSTM。

您可以使用{'sum', 'mul', 'concat', 'ave'}合并向前和向后LSTM的输出。

left = Sequential()
left.add(LSTM(output_dim=hidden_units, init='uniform', inner_init='uniform',
               forget_bias_init='one', return_sequences=True, activation='tanh',
               inner_activation='sigmoid', input_shape=(99, 13)))
right = Sequential()
right.add(LSTM(output_dim=hidden_units, init='uniform', inner_init='uniform',
               forget_bias_init='one', return_sequences=True, activation='tanh',
               inner_activation='sigmoid', input_shape=(99, 13), go_backwards=True))

model = Sequential()
model.add(Merge([left, right], mode='sum'))

model.add(TimeDistributedDense(nb_classes))
model.add(Activation('softmax'))

sgd = SGD(lr=0.1, decay=1e-5, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)
print("Train...")
model.fit([X_train, X_train], Y_train, batch_size=1, nb_epoch=nb_epoches, validation_data=([X_test, X_test], Y_test), verbose=1, show_accuracy=True)

Answer 3

与LSTM相比，BLSTM或BiLSTM有两个网络，一个是在past方向访问forward信息，另一个是future沿reverse方向。 http://docs.rdf4j.org/sparqlbuilder/

根据此处的官方文档，添加了新的类Bidirectional：wiki

model = Sequential()
model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5,
10)))

和激活功能可以像这样添加：

model = Sequential()
model.add(Bidirectional(LSTM(num_channels, 
        implementation = 2, recurrent_activation = 'sigmoid'),
        input_shape=(input_length, input_dim)))

使用IMDB数据的完整示例如下所示。经过4个时间段后的结果。

Downloading data from https://s3.amazonaws.com/text-datasets/imdb.npz
17465344/17464789 [==============================] - 4s 0us/step
Train...
Train on 25000 samples, validate on 25000 samples
Epoch 1/4
25000/25000 [==============================] - 78s 3ms/step - loss: 0.4219 - acc: 0.8033 - val_loss: 0.2992 - val_acc: 0.8732
Epoch 2/4
25000/25000 [==============================] - 82s 3ms/step - loss: 0.2315 - acc: 0.9106 - val_loss: 0.3183 - val_acc: 0.8664
Epoch 3/4
25000/25000 [==============================] - 91s 4ms/step - loss: 0.1802 - acc: 0.9338 - val_loss: 0.3645 - val_acc: 0.8568
Epoch 4/4
25000/25000 [==============================] - 92s 4ms/step - loss: 0.1398 - acc: 0.9509 - val_loss: 0.3562 - val_acc: 0.8606

BiLSTM 或 BLSTM

import numpy as np
from keras.preprocessing import sequence
from keras.models import Sequential
from keras.layers import Dense, Dropout, Embedding, LSTM, Bidirectional
from keras.datasets import imdb


n_unique_words = 10000 # cut texts after this number of words
maxlen = 200
batch_size = 128

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=n_unique_words)
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
x_test = sequence.pad_sequences(x_test, maxlen=maxlen)
y_train = np.array(y_train)
y_test = np.array(y_test)

model = Sequential()
model.add(Embedding(n_unique_words, 128, input_length=maxlen))
model.add(Bidirectional(LSTM(64)))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

print('Train...')
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=4,
          validation_data=[x_test, y_test])

Answer 4

双向LSTM的另一个用例可能是文本中的单词分类。他们可以看到单词的过去和未来背景，并且更适合对单词进行分类。

Answer 5

它对于时间序列预测问题也很有帮助，例如预测家庭的用电量。但是，我们也可以在其中使用LSTM，但是双向LSTM也可以在其中做得更好。

双向LSTM和LSTM之间有什么区别？

5 个答案: