python神经网络Keras实现LSTM及其参数量详解

什么是LSTM

1、LSTM的结构

我们可以看出，在n时刻，LSTM的输入有三个：

• 当前时刻网络的输入值Xt；

• 上一时刻LSTM的输出值ht-1；

• 上一时刻的单元状态Ct-1。

LSTM的输出有两个：

• 当前时刻LSTM输出值ht；

• 当前时刻的单元状态Ct。

2、LSTM独特的门结构

LSTM用两个门来控制单元状态cn的内容：

• 遗忘门（forget gate），它决定了上一时刻的单元状态cn-1有多少保留到当前时刻；

• 输入门（input gate），它决定了当前时刻网络的输入c’n有多少保存到新的单元状态cn中。

LSTM用一个门来控制当前输出值hn的内容：

输出门（output gate），它利用当前时刻单元状态cn对hn的输出进行控制。

3、LSTM参数量计算

a、遗忘门

遗忘门这里需要结合ht-1和Xt来决定上一时刻的单元状态cn-1有多少保留到当前时刻；

由图我们可以得到，我们在这一环节需要计一个参数ft。

b、输入门

输入门这里需要结合ht-1和Xt来决定当前时刻网络的输入c’n有多少保存到单元状态cn中。

由图我们可以得到，我们在这一环节需要计算两个参数，分别是it。

和C’t

里面需要训练的参数分别是Wi、bi、WC和bC。

在定义LSTM的时候我们会使用到一个参数叫做units，其实就是神经元的个数，也就是LSTM的输出——ht的维度。

所以：

c、输出门

输出门利用当前时刻单元状态cn对hn的输出进行控制；

由图我们可以得到，我们在这一环节需要计一个参数ot。

里面需要训练的参数分别是Wo和bo。在定义LSTM的时候我们会使用到一个参数叫做units，其实就是神经元的个数，也就是LSTM的输出——ht的维度。所以：

d、全部参数量

所以所有的门总参数量为：

在Keras中实现LSTM

LSTM一般需要输入两个参数。

一个是unit、一个是input_shape。

LSTM(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))

unit用于指定神经元的数量。

input_shape用于指定输入的shape，分别指定TIME_STEPS和INPUT_SIZE。

实现代码

import numpy as np
from keras.models import Sequential
from keras.layers import Input,Activation,Dense
from keras.models import Model
from keras.datasets import mnist
from keras.layers.recurrent import LSTM
from keras.utils import np_utils
from keras.optimizers import Adam
TIME_STEPS = 28
INPUT_SIZE = 28
BATCH_SIZE = 50
index_start = 0
OUTPUT_SIZE = 10
CELL_SIZE = 75
LR = 1e-3
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
X_train = X_train.reshape(-1,28,28)/255
X_test = X_test.reshape(-1,28,28)/255
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
inputs = Input(shape=[TIME_STEPS,INPUT_SIZE])
x = LSTM(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))(inputs)
x = Dense(OUTPUT_SIZE)(x)
x = Activation("softmax")(x)
model = Model(inputs,x)
adam = Adam(LR)
model.summary()
model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])
for i in range(50000):
   X_batch = X_train[index_start:index_start + BATCH_SIZE,:,:]
   Y_batch = Y_train[index_start:index_start + BATCH_SIZE,:]
   index_start += BATCH_SIZE
   cost = model.train_on_batch(X_batch,Y_batch)
   if index_start >= X_train.shape[0]:
       index_start = 0
   if i％100 == 0:
       cost,accuracy = model.evaluate(X_test,Y_test,batch_size=50)
       print("accuracy:",accuracy)

实现效果：

10000/10000 [==============================] - 3s 340us/step
accuracy: 0.14040000014007092
10000/10000 [==============================] - 3s 310us/step
accuracy: 0.6507000041007995
10000/10000 [==============================] - 3s 320us/step
accuracy: 0.7740999992191792
10000/10000 [==============================] - 3s 305us/step
accuracy: 0.8516999959945679
10000/10000 [==============================] - 3s 322us/step
accuracy: 0.8669999945163727
10000/10000 [==============================] - 3s 324us/step
accuracy: 0.889699995815754
10000/10000 [==============================] - 3s 307us/step

来源：https://blog.csdn.net/weixin_44791964/article/details/103896884