1700538852
1700538853
1700538854
假设采用ReLU 激活函数，且一开始所有的神经元都处于激活中（即输入大于0），则为单位矩阵，有。在梯度传递经历了n层之后，。可以看到，即使采用了ReLU激活函数，只要W不是单位矩阵，梯度还是会出现消失或者爆炸的现象。
1700538855
1700538856
综上所述，当采用ReLU作为循环神经网络中隐含层的激活函数时，只有当W的取值在单位矩阵附近时才能取得比较好的效果，因此需要将W初始化为单位矩阵。实验证明，初始化W为单位矩阵并使用ReLU激活函数在一些应用中取得了与长短期记忆模型相似的结果，并且学习速度比长短期记忆模型更快，是一个值得尝试的小技巧[25]。
1700538857
1700538858
1700538859
1700538860
1700538861
百面机器学习：算法工程师带你去面试 [:1700532230]
1700538862
百面机器学习：算法工程师带你去面试 04 长短期记忆网络
1700538863
1700538864
1700538865
1700538866
场景描述
1700538867
1700538868
长短期记忆网络（Long Short Term Memory，LSTM）是循环神经网络的最知名和成功的扩展。由于循环神经网络有梯度消失和梯度爆炸的问题，学习能力有限，在实际任务中的效果往往达不到预期效果。LSTM可以对有价值的信息进行长期记忆，从而减小循环神经网络的学习难度，因此在语音识别、语言建模、机器翻译、命名实体识别、图像描述文本生成等问题中有着广泛应用。
1700538869
1700538870
知识点
1700538871
1700538872
LSTM，门控，激活函数，双曲正切函数，Sigmoid函数
1700538873
1700538874
问题1 LSTM是如何实现长短期记忆功能的？
1700538875
1700538876
难度：★★☆☆☆
1700538877
1700538878
分析与解答
1700538879
1700538880
有图有真相，我们首先结合LSTM结构图以及更新的计算公式探讨这种网络如何实现其功能，如图10.2所示。
1700538881
1700538882
1700538883
1700538884
1700538885
图10.2 长短时记忆模型内部结构示意
1700538886
1700538887
与传统的循环神经网络相比，LSTM仍然是基于xt和ht−1来计算ht，只不过对内部的结构进行了更加精心的设计，加入了输入门it、遗忘门ft以及输出门ot三个门和一个内部记忆单元ct。输入门控制当前计算的新状态以多大程度更新到记忆单元中；遗忘门控制前一步记忆单元中的信息有多大程度被遗忘掉；输出门控制当前的输出有多大程度上取决于当前的记忆单元。
1700538888
1700538889
经典的LSTM中，第t步的更新计算公式为
1700538890
1700538891
it=σ(Wixt+Uiht−1+bi) ，
1700538892
1700538893
（10.13）
1700538894
1700538895
ft=σ(Wfxt+Ufht−1+bf) ，
1700538896
1700538897
（10.14）
1700538898
1700538899
ot=σ(Woxt+Uoht−1+bo) ，
1700538900
1700538901
（10.15）