长-短时记忆网络gydF4y2Ba
本主题解释如何使用长短期记忆(LSTM)网络处理序列和时间序列数据,以完成分类和回归任务。有关如何使用LSTM网络对序列数据进行分类的示例,请参见gydF4y2Ba利用深度学习进行序列分类gydF4y2Ba.gydF4y2Ba
LSTM网络是一种可学习序列数据时间步间长期依赖关系的递归神经网络(RNN)。gydF4y2Ba
LSTM网络体系结构gydF4y2Ba
LSTM网络的核心组件是序列输入层和LSTM层。一个gydF4y2Ba序列输入层gydF4y2Ba向网络输入序列或时间序列数据。一个gydF4y2BaLSTM层gydF4y2Ba学习序列数据的时间步骤之间的长期依赖关系。gydF4y2Ba
此图说明了用于分类的简单LSTM网络的体系结构。网络从序列输入层开始,然后是LSTM层。为了预测类别标签,网络以一个完全连接层、一个softmax层和一个分类输出层结束。gydF4y2Ba
这个图说明了一个简单的LSTM回归网络的体系结构。网络从序列输入层开始,然后是LSTM层。该网络以一个完全连接层和一个回归输出层结束。gydF4y2Ba
这个图说明了视频分类网络的体系结构。要向网络输入图像序列,使用序列输入层。使用卷积层提取特征,即独立对视频的每一帧进行卷积运算,先使用序列折叠层,再使用卷积层,再使用序列展开层。要使用LSTM层从向量序列中学习,请使用一个扁平层,后面跟着LSTM层和输出层。gydF4y2Ba
分类LSTM网络gydF4y2Ba
创建用于序列到标签分类的LSTM网络时,需要创建包含序列输入层、LSTM层、全连通层、softmax层和分类输出层的层数组。gydF4y2Ba
将序列输入层的大小设置为输入数据的特征数量。将全连接层的大小设置为类的数量。您不需要指定序列长度。gydF4y2Ba
对于LSTM层,需要指定隐藏单元数和输出模式gydF4y2Ba“最后一次”gydF4y2Ba
.gydF4y2Ba
numFeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [gydF4y2Ba...gydF4y2BasequenceInputLayer numFeatures lstmLayer (numHiddenUnits,gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“最后一次”gydF4y2Ba) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer];gydF4y2Ba
有关如何训练LSTM网络进行序列到标签分类和对新数据进行分类的示例,请参见gydF4y2Ba利用深度学习进行序列分类gydF4y2Ba.gydF4y2Ba
在创建序列到序列分类的LSTM网络时,使用与序列到标签分类相同的架构,但LSTM层的输出模式设置为gydF4y2Ba“序列”gydF4y2Ba
.gydF4y2Ba
numFeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [gydF4y2Ba...gydF4y2BasequenceInputLayer numFeatures lstmLayer (numHiddenUnits,gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“序列”gydF4y2Ba) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer];gydF4y2Ba
回归LSTM网络gydF4y2Ba
为了创建序列对一回归的LSTM网络,需要创建一个包含序列输入层、LSTM层、全连接层和回归输出层的层数组。gydF4y2Ba
将序列输入层的大小设置为输入数据的特征数量。将全连接层的大小设置为响应的数量。您不需要指定序列长度。gydF4y2Ba
对于LSTM层,需要指定隐藏单元数和输出模式gydF4y2Ba“最后一次”gydF4y2Ba
.gydF4y2Ba
numFeatures = 12;numHiddenUnits = 125;numResponses = 1;层= [gydF4y2Ba...gydF4y2BasequenceInputLayer numFeatures lstmLayer (numHiddenUnits,gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“最后一次”gydF4y2Ba) fullyConnectedLayer (numResponses) regressionLayer];gydF4y2Ba
如果要创建序列对序列回归的LSTM网络,请使用与序列对一回归相同的体系结构,但将LSTM层的输出模式设置为gydF4y2Ba“序列”gydF4y2Ba
.gydF4y2Ba
numFeatures = 12;numHiddenUnits = 125;numResponses = 1;层= [gydF4y2Ba...gydF4y2BasequenceInputLayer numFeatures lstmLayer (numHiddenUnits,gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“序列”gydF4y2Ba) fullyConnectedLayer (numResponses) regressionLayer];gydF4y2Ba
有关展示如何训练LSTM网络进行序列对序列回归和对新数据进行预测的示例,请参见gydF4y2Ba使用深度学习的序列对序列回归gydF4y2Ba.gydF4y2Ba
视频分类网络gydF4y2Ba
为了为包含图像序列的数据(如视频数据和医疗图像)创建深度学习网络,使用序列输入层指定图像序列输入。gydF4y2Ba
使用卷积层提取特征,即独立对视频的每一帧进行卷积运算,先使用序列折叠层,再使用卷积层,再使用序列展开层。要使用LSTM层从向量序列中学习,请使用一个扁平层,后面跟着LSTM层和输出层。gydF4y2Ba
inputSize = [28 28 1];filterSize = 5;numFilters = 20;numHiddenUnits = 200;numClasses = 10;层= [gydF4y2Ba...gydF4y2BasequenceInputLayer (inputSizegydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“输入”gydF4y2Ba) sequenceFoldingLayer (gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“折”gydF4y2Ba) convolution2dLayer (filterSize numFilters,gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“conv”gydF4y2Ba) batchNormalizationLayer (gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Babn的gydF4y2Ba) reluLayer (gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“relu”gydF4y2Ba) sequenceUnfoldingLayer (gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“展开”gydF4y2Ba) flattenLayer (gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“平”gydF4y2Ba) lstmLayer (numHiddenUnitsgydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“最后一次”gydF4y2Ba,gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“lstm”gydF4y2Ba) fullyConnectedLayer (numClassesgydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“俱乐部”gydF4y2Ba) softmaxLayer (gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“softmax”gydF4y2Ba) classificationLayer (gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“分类”gydF4y2Ba));gydF4y2Ba
将图层转换为图层图并连接gydF4y2BaminiBatchSizegydF4y2Ba
序列折叠层的输出到序列展开层的相应输入。gydF4y2Ba
lgraph = layerGraph(层);lgraph = connectLayers (lgraph,gydF4y2Ba“折/ miniBatchSize”gydF4y2Ba,gydF4y2Ba“展开/ miniBatchSize”gydF4y2Ba);gydF4y2Ba
有关如何训练用于视频分类的深度学习网络的示例,请参见gydF4y2Ba使用深度学习对视频进行分类gydF4y2Ba.gydF4y2Ba
更深层次的LSTM网络gydF4y2Ba
通过在输出模式中插入额外的LSTM层,可以使LSTM网络更深入gydF4y2Ba“序列”gydF4y2Ba
在LSTM层之前。为了防止过拟合,可以在LSTM层之后插入dropout层。gydF4y2Ba
对于序列到标签的分类网络,最后一层LSTM的输出模式必须为gydF4y2Ba“最后一次”gydF4y2Ba
.gydF4y2Ba
numFeatures = 12;numHiddenUnits1 = 125;numHiddenUnits2 = 100;numClasses = 9;层= [gydF4y2Ba...gydF4y2BasequenceInputLayer numFeatures lstmLayer (numHiddenUnits1,gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“序列”gydF4y2Ba) dropoutLayer (0.2) lstmLayer (numHiddenUnits2gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“最后一次”gydF4y2Ba) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];gydF4y2Ba
对于序列到序列的分类网络,最后一层LSTM的输出模式必须为gydF4y2Ba“序列”gydF4y2Ba
.gydF4y2Ba
numFeatures = 12;numHiddenUnits1 = 125;numHiddenUnits2 = 100;numClasses = 9;层= [gydF4y2Ba...gydF4y2BasequenceInputLayer numFeatures lstmLayer (numHiddenUnits1,gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“序列”gydF4y2Ba) dropoutLayer (0.2) lstmLayer (numHiddenUnits2gydF4y2Ba“OutputMode”gydF4y2Ba,gydF4y2Ba“序列”gydF4y2Ba) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];gydF4y2Ba
层gydF4y2Ba
层gydF4y2Ba | 描述gydF4y2Ba |
---|---|
序列输入层向网络输入序列数据。gydF4y2Ba | |
LSTM层学习时间序列和序列数据中时间步之间的长期依赖关系。gydF4y2Ba | |
双向LSTM (BiLSTM)层学习时间序列或序列数据的时间步之间的双向长期依赖关系。当您希望网络在每个时间步中从完整的时间序列中学习时,这些依赖关系可能很有用。gydF4y2Ba | |
GRU层学习时间序列和序列数据中时间步骤之间的依赖关系。gydF4y2Ba | |
一维卷积层对一维输入应用滑动卷积滤波器。gydF4y2Ba | |
一维最大池化层通过将输入划分为一维池化区域,然后计算每个区域的最大值来执行下采样。gydF4y2Ba | |
一维平均池化层通过将输入划分为一维池化区域,然后计算每个区域的平均值来执行下采样。gydF4y2Ba | |
一维全局最大池化层通过输出输入的时间或空间维度的最大值来执行下采样。gydF4y2Ba | |
序列折叠层将一批图像序列转换为一批图像。利用序列折叠层对图像序列的时间步分别进行卷积运算。gydF4y2Ba | |
序列展开层在序列折叠后恢复输入数据的序列结构。gydF4y2Ba | |
压平层将输入的空间维度折叠为通道维度。gydF4y2Ba | |
|
单词嵌入层将单词索引映射到向量。gydF4y2Ba |
分类,预测和预测gydF4y2Ba
要对新数据进行分类或预测,请使用gydF4y2Ba分类gydF4y2Ba
而且gydF4y2Ba预测gydF4y2Ba
.gydF4y2Ba
LSTM网络可以记住预测之间的网络状态。当您事先没有完整的时间序列,或者如果您想对一个长时间序列进行多次预测时,网络状态是有用的。gydF4y2Ba
要对时间序列的部分进行预测和分类并更新网络状态,可以使用gydF4y2BapredictAndUpdateStategydF4y2Ba
而且gydF4y2BaclassifyAndUpdateStategydF4y2Ba
.若要重置预测之间的网络状态,请使用gydF4y2BaresetStategydF4y2Ba
.gydF4y2Ba
有关显示如何预测序列的未来时间步长的示例,请参见gydF4y2Ba利用深度学习的时间序列预测gydF4y2Ba.gydF4y2Ba
序列填充、截断和分割gydF4y2Ba
LSTM网络支持不同序列长度的输入数据。当通过网络传递数据时,软件会填充、截断或分割序列,以便每个小批中的所有序列都具有指定的长度。方法可以指定序列长度和用于填充序列的值gydF4y2BaSequenceLengthgydF4y2Ba
而且gydF4y2BaSequencePaddingValuegydF4y2Ba
中的名称-值对参数gydF4y2BatrainingOptionsgydF4y2Ba
.gydF4y2Ba
训练网络后,使用相同的小批大小和填充选项gydF4y2Ba分类gydF4y2Ba
,gydF4y2Ba预测gydF4y2Ba
,gydF4y2BaclassifyAndUpdateStategydF4y2Ba
,gydF4y2BapredictAndUpdateStategydF4y2Ba
,gydF4y2Ba激活gydF4y2Ba
功能。gydF4y2Ba
按长度排序序列gydF4y2Ba
若要在填充或截断序列时减少填充或丢弃的数据量,请尝试按序列长度对数据进行排序。要按序列长度对数据进行排序,首先通过应用程序获得每个序列的列数gydF4y2Ba大小(X, 2)gydF4y2Ba
对每个序列使用gydF4y2BacellfungydF4y2Ba
.然后对序列长度使用gydF4y2Ba排序gydF4y2Ba
,并使用第二个输出对原始序列进行重新排序。gydF4y2Ba
sequenceLengths = cellfun(@(X) size(X,2), XTrain);[sequenceLengthsSorted, idx] = (sequenceLengths)进行排序;XTrain = XTrain (idx);gydF4y2Ba
下图显示了柱状图中已排序和未排序数据的序列长度。gydF4y2Ba
垫序列gydF4y2Ba
如果指定序列长度gydF4y2Ba“最长”gydF4y2Ba
,然后软件填充序列,使小批中的所有序列与小批中最长的序列具有相同的长度。此选项为默认选项。gydF4y2Ba
下图说明了填充序列数据对每个小批中最长序列长度的影响。gydF4y2Ba
截短的序列gydF4y2Ba
如果指定序列长度gydF4y2Ba“最短”gydF4y2Ba
,然后该软件截断序列,使小批中的所有序列与该小批中的最短序列具有相同的长度。序列中剩余的数据将被丢弃。gydF4y2Ba
下图说明了截断序列数据对每个小批中最短序列长度的影响。gydF4y2Ba
分割序列gydF4y2Ba
如果将序列长度设置为一个整数值,那么软件将小批处理中的所有序列填充为小批处理中最长序列的长度。然后,软件将每个序列分成指定长度的更小的序列。如果发生分裂,那么软件会创建额外的小批量。如果指定的序列长度没有平均分配数据的序列长度,那么包含这些序列末端的小批次的长度小于指定的序列长度。gydF4y2Ba
如果完整序列不适合内存,则使用此选项。或者,您可以尝试减少每个小批的序列数量gydF4y2BaMiniBatchSizegydF4y2Ba
训练选项,以较低的值使用gydF4y2BatrainingOptionsgydF4y2Ba
函数。gydF4y2Ba
如果指定序列长度为正整数,则软件将在连续迭代中处理较小的序列。网络更新分裂序列之间的网络状态。gydF4y2Ba
下图演示了将序列集合拆分为序列长度为5的小批的效果。gydF4y2Ba
填充指定方向gydF4y2Ba
填充和截断的位置会影响训练、分类和预测的准确性。尝试设置gydF4y2Ba“SequencePaddingDirection”gydF4y2Ba
选项gydF4y2BatrainingOptionsgydF4y2Ba
来gydF4y2Ba“左”gydF4y2Ba
或gydF4y2Ba“对”gydF4y2Ba
看看哪种方法最适合你的数据。gydF4y2Ba
因为循环层每次处理一个时间步的序列数据,当循环层gydF4y2BaOutputModegydF4y2Ba
属性是gydF4y2Ba“最后一次”gydF4y2Ba
,在最后的时间步长的任何填充都会对图层输出产生负面影响。若要在左侧填充或截断序列数据,请设置gydF4y2BaSequencePaddingDirectiongydF4y2Ba
选项gydF4y2Ba“左”gydF4y2Ba
.gydF4y2Ba
对于序列到序列网络(当gydF4y2BaOutputModegydF4y2Ba
属性是gydF4y2Ba“序列”gydF4y2Ba
对于每个循环层),第一个时间步骤中的任何填充都可能对早期时间步骤的预测产生负面影响。若要在右侧填充或截断序列数据,请设置gydF4y2BaSequencePaddingDirectiongydF4y2Ba
选项gydF4y2Ba“正确”gydF4y2Ba
.gydF4y2Ba
下图演示了左边和右边的填充序列数据。gydF4y2Ba
下面的图展示了左边和右边的截断序列数据。gydF4y2Ba
标准化序列数据gydF4y2Ba
若要在训练时使用零中心归一化自动重新中心训练数据,请设置gydF4y2Ba归一化gydF4y2Ba
选择gydF4y2BasequenceInputLayergydF4y2Ba
来gydF4y2Ba“zerocenter”gydF4y2Ba
.或者,您可以通过首先计算所有序列的每个特征的平均值和标准偏差来规范化序列数据。然后,对每个训练观测值,减去平均值,除以标准差。gydF4y2Ba
μ=意味着([XTrain {:}), 2);σ=性病([XTrain {}):, 0, 2);XTrain = cellfun(@(X) (X-mu)./sigma,XTrain,gydF4y2Ba“UniformOutput”gydF4y2Ba、假);gydF4y2Ba
内存不足的数据gydF4y2Ba
当数据太大而无法装入内存时,或者在读取批量数据时需要执行特定操作时,将数据存储用于序列、时间序列和信号数据。gydF4y2Ba
要了解更多,请参见gydF4y2Ba使用内存不足的序列数据训练网络gydF4y2Ba而且gydF4y2Ba使用深度学习对内存不足的文本数据进行分类gydF4y2Ba.gydF4y2Ba
可视化gydF4y2Ba
研究和可视化LSTM网络从序列和时间序列数据中学习到的特征gydF4y2Ba激活gydF4y2Ba
函数。要了解更多,请参见gydF4y2Ba可视化激活LSTM网络gydF4y2Ba.gydF4y2Ba
LSTM层架构gydF4y2Ba
这个图表说明了时间序列的流程gydF4y2BaXgydF4y2Ba与gydF4y2BaCgydF4y2Ba长度的特征(通道)gydF4y2Ba年代gydF4y2Ba通过LSTM层。在图中,gydF4y2Ba 而且gydF4y2Ba 表示输出(也称为gydF4y2Ba隐藏状态gydF4y2Ba)和gydF4y2Ba细胞状态gydF4y2Ba在时间步gydF4y2BatgydF4y2Ba,分别。gydF4y2Ba
第一个LSTM块使用网络的初始状态和序列的第一个时间步来计算第一个输出和更新的单元状态。在时间步gydF4y2BatgydF4y2Ba,块使用网络的当前状态gydF4y2Ba 并对序列的下一个时间步骤计算输出和更新的单元状态gydF4y2Ba .gydF4y2Ba
层的状态由gydF4y2Ba隐藏状态gydF4y2Ba(也称为gydF4y2Ba输出状态gydF4y2Ba)和gydF4y2Ba细胞状态gydF4y2Ba.在时间步长的隐藏状态gydF4y2BatgydF4y2Ba包含该时间步的LSTM层的输出。单元状态包含从以前的时间步骤中获得的信息。在每个时间步骤中,该层向单元状态添加信息或从单元状态中删除信息。该层使用gydF4y2Ba盖茨gydF4y2Ba.gydF4y2Ba
以下组件控制层的单元状态和隐藏状态。gydF4y2Ba
组件gydF4y2Ba | 目的gydF4y2Ba |
---|---|
输入门(gydF4y2Ba我gydF4y2Ba)gydF4y2Ba | 控制单元状态更新的级别gydF4y2Ba |
忘记门(gydF4y2BafgydF4y2Ba)gydF4y2Ba | 控制级别的单元状态重置(忘记)gydF4y2Ba |
细胞的候选人(gydF4y2BaggydF4y2Ba)gydF4y2Ba | 向单元格状态添加信息gydF4y2Ba |
输出门(gydF4y2BaogydF4y2Ba)gydF4y2Ba | 添加到隐藏状态的单元格状态的控制级别gydF4y2Ba |
这个图表说明了时间步的数据流gydF4y2BatgydF4y2Ba.该图强调了门如何忘记、更新和输出单元和隐藏状态。gydF4y2Ba
LSTM层的可学习权值就是输入权值gydF4y2BaWgydF4y2Ba(gydF4y2BaInputWeightsgydF4y2Ba
),循环权值gydF4y2BaRgydF4y2Ba(gydF4y2BaRecurrentWeightsgydF4y2Ba
)和偏差gydF4y2BabgydF4y2Ba(gydF4y2Ba偏见gydF4y2Ba
).的矩阵gydF4y2BaWgydF4y2Ba,gydF4y2BaRgydF4y2Ba,gydF4y2BabgydF4y2Ba分别是输入权值、循环权值和每个分量的偏差值的拼接。这些矩阵连接如下:gydF4y2Ba
在哪里gydF4y2Ba我gydF4y2Ba,gydF4y2BafgydF4y2Ba,gydF4y2BaggydF4y2Ba,gydF4y2BaogydF4y2Ba分别表示输入门、忘记门、单元格候选门和输出门。gydF4y2Ba
时间步的单元状态gydF4y2BatgydF4y2Ba是由gydF4y2Ba
在哪里gydF4y2Ba 表示阿达玛乘积(向量的元素相乘)。gydF4y2Ba
在时间步长的隐藏状态gydF4y2BatgydF4y2Ba是由gydF4y2Ba
在哪里gydF4y2Ba
表示状态激活函数。的gydF4y2BalstmLayergydF4y2Ba
函数默认使用双曲正切函数(tanh)计算状态激活函数。gydF4y2Ba
下面的公式描述了时间步下的分量gydF4y2BatgydF4y2Ba.gydF4y2Ba
组件gydF4y2Ba | 公式gydF4y2Ba |
---|---|
输入门gydF4y2Ba | |
忘记门gydF4y2Ba | |
细胞的候选人gydF4y2Ba | |
输出门gydF4y2Ba |
在这些计算,gydF4y2Ba
表示门激活函数。的gydF4y2BalstmLayergydF4y2Ba
函数,默认情况下,使用gydF4y2Ba
计算栅极激活函数。gydF4y2Ba
参考文献gydF4y2Ba
[1] Hochreiter, S.和J. Schmidhuber。“长短期记忆。”gydF4y2Ba神经计算gydF4y2Ba.1997年第9卷第8期,1735 - 1780页。gydF4y2Ba
另请参阅gydF4y2Ba
sequenceInputLayergydF4y2Ba
|gydF4y2BalstmLayergydF4y2Ba
|gydF4y2BabilstmLayergydF4y2Ba
|gydF4y2BagruLayergydF4y2Ba
|gydF4y2BaclassifyAndUpdateStategydF4y2Ba
|gydF4y2BapredictAndUpdateStategydF4y2Ba
|gydF4y2BaresetStategydF4y2Ba
|gydF4y2BasequenceFoldingLayergydF4y2Ba
|gydF4y2BasequenceUnfoldingLayergydF4y2Ba
|gydF4y2BaflattenLayergydF4y2Ba
|gydF4y2BawordEmbeddingLayergydF4y2Ba
(文本分析工具箱)gydF4y2Ba|gydF4y2Ba激活gydF4y2Ba