从动图中理解 RNN，LSTM 和 GRU

原标题 | Animated RNN, LSTM and GRU

作者 | Raimi Karim

译者 | 汪鹏(重庆邮电大学)、Overfitting

本文编辑：王立鱼

英文原文：

https://towardsdatascience.com/animated-rnn-lstm-and-gru-ef124d06cf45

递归神经网络(RNNs)是一类常用的序列数据人工神经网络。三种最常见的递归神经网络类型分别是：    

1. vanilla RNN

2. 长短记忆RNN(LSTM)，由 Hochreiter和 Schmidhuber 在1997年提出

3. 门控循环单元(GRU)，由Cho等人在2014年提出賽普·霍克賴特

要指出的一点是，我将使用"RNNS"来统称本质上是递归神经网络结构，"vanilla RNN"来指代在图一所展示的最简单的循环神经网络结构.

有很多关于递归神经网络的图解.

我个人最喜欢的一个是Michael Nguyen发表在《走向数据科学》(Towards Data Science)的这篇文章，因为他不仅给我们提供了对这些模型的直觉，更重要的是这些漂亮的插图，使我们更容易理解。但我发表这篇文章的动机是为了更好地理解这些单元中发生了什么，节点是如何共享的，以及它们是如何转换为输出节点。这里，我也受到了Michael的动画启发。 

本文研究了vanilla RNN、LSTM和GRU单元。这是一个简短的概述，是为那些读过关于这些主题的文章的人准备的。(我建议在阅读本文之前先阅读Michael的文章)，需要注意的是，以下动画是按顺序引导的，但在向量化的机器计算过程中并不反映时间上的顺序。

下面是我用来做说明的图例：

图0：动画图例

在我的动画中，我使用了大小为3(绿色)的输入和2个隐藏单元(红色)，批量大小为1。

让我们开始吧！

  Vanilla RNN

图1：vanilla RNN 示意动画

• t—时间步长

• X—输入

• h—隐藏状态

• X的长度—输入的大小

• h的长度—隐藏单元。
  请注意不同的库以不同的方式调用它们，但它们的含义相同：

  - Keras — state_size ,units
  

  - PyTorch — hidden_size
  

  - TensorFlow — num_units

图2：LSTM 示意动画

• C - 单元状态
  

注意，单元状态的维度与隐藏状态的维度相同。

图3：GRU 示意动画

希望这些动画能以某种方式帮助你！以下是静态图像中的概况：

图4：Vanilla RNN 单元

图5：LSTM 单元

图6：GRU 单元

一个提醒：我使用Google绘图来创建的这些示意图。

• 了解LSTM Networks - colah 的博客。
  https://colah.github.io/posts/2015-08-Understanding-LSTMs/

• LSTM和GRU的插图指南：逐步解释
  https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21

想要继续查看该篇文章相关链接和参考文献？雷锋网雷锋网雷锋网

点击【从动图中理解 RNN，LSTM 和 GRU】即可访问!

今日资源推荐：CCF-GAIR | 张大鹏教授演讲 PPT：生物特征识别的新进展 - 纪念中国人工智能40年

非常高兴受邀参加本次会议，让我有机会汇报我的最新工作。今天我的讲题是“纪念中国人工智能40周年”，而我本人是中国学位法公布后首届入学的研究生，也是哈工大毕业的首个计算机博士，从 1980 年入学开始算起，我基本见证了中国人工智能这 40 年的发展历程。

这是我研究生期间所能找到最早的一篇论文，选题与指纹识别有关。 1984 年，陈光熙教授是我的博士生导师，图片展示的是当年哈工大进行博士学位论文答辩的场景。

点击链接获取：https://ai.yanxishe.com/page/resourceDetail/905