循环神经网络（RNN）、LSTM 与 GRU （一）

循环神经网络（RNN）、LSTM 与 GRU （一）

---

---

循环神经网络（RNN）、LSTM 与 GRU

一、RNN（Recurrent Neural Network）

1. 基本思想

• RNN 通过在网络中引入“循环”结构，使得当前时刻的输出不仅依赖当前输入，还依赖之前的隐藏状态。
• 适合处理 序列数据，如文本、语音、时间序列预测。

2. 数学表达

• 隐藏层更新：
  $$h_t=f(W_{xh}{x}_t+W_{hh}{h}_{t-1}+b_h)$$
• 输出层：
  $$y_t=g(W_{hy}{h}_t+b_y)$$

3. 优缺点

• 优点：能够建模序列信息，捕捉上下文依赖。
• 缺点：存在梯度消失和梯度爆炸问题，难以学习长期依赖。

---

二、LSTM（Long Short-Term Memory）

1. 引入背景

• 针对 RNN 的 长期依赖问题，LSTM 在结构上引入了“门控机制”，有效缓解梯度消失问题。
• 在自然语言处理、语音识别、时间序列预测等任务中应用广泛。

2. 核心结构

LSTM 的关键在于 细胞状态（Cell State） 和 三个门（Gates）：

1. 遗忘门（Forget Gate）：决定丢弃多少历史信息。
   $$f_t=\sigma (W_f[x_t,h_{t-1}]+b_f)$$

2. 输入门（Input Gate）：决定写入多少新信息。
   $$i_t=\sigma (W_i[x_t,h_{t-1}]+b_i)$$
   $${\tilde{C}}_t=\tanh (W_c[x_t,h_{t-1}]+b_c)$$

3. 输出门（Output Gate）：决定输出多少细胞状态的信息。
   $$o_t=\sigma (W_o[x_t,h_{t-1}]+b_o)$$

3. 状态更新

• 细胞状态：
  $$C_t=f_t\ast C_{t-1}+i_t\ast {\tilde{C}}_t$$
• 隐藏状态：
  $$h_t=o_t\ast \tanh (C_t)$$

4. 优缺点

• 优点：能解决长期依赖问题，更好地捕捉长距离信息。
• 缺点：结构复杂，计算量大，训练速度较慢。

---

三、GRU（Gated Recurrent Unit）

1. 概述

• GRU 是 LSTM 的简化版本，仅包含 更新门（Update Gate） 和 重置门（Reset Gate）。
• 没有独立的细胞状态，直接用隐藏状态传递信息。

2. 核心公式

• 更新门：
  $$z_t=\sigma (W_z[x_t,h_{t-1}])$$
• 重置门：
  $$r_t=\sigma (W_r[x_t,h_{t-1}])$$
• 新隐藏状态：
  $${\tilde{h}}_t=\tanh (W[x_t,(r_t\ast h_{t-1})])$$
• 最终隐藏状态：
  $$h_t=(1-z_t)\ast h_{t-1}+z_t\ast {\tilde{h}}_t$$

3. 特点

• 结构更简洁，参数更少，训练更快。
• 在很多任务中性能与 LSTM 接近甚至更优。

---

四、对比总结

特性	RNN	LSTM	GRU
结构	简单，循环层	复杂，含门控单元（3门+细胞状态）	较简洁，仅2门
长期依赖建模	弱	强	强
计算复杂度	低	高	中等
训练速度	快	慢	较快
典型应用	简单序列建模	机器翻译、语音识别	NLP、推荐系统、时序预测

---

五、结构对比图

---

六、结语

• RNN 是序列建模的基础，但受限于梯度消失问题。
• LSTM 通过门控机制成功解决长期依赖，是深度学习里程碑式的模型。
• GRU 在保持效果的同时，计算更高效，是实际工程中的常见选择。
  
  

总结一句：

如果序列较短，用 RNN 即可；
如果需要捕捉长期依赖，LSTM 更稳健；
如果追求训练速度和效果平衡，GRU 是不错的选择。