LSTM长短记，长序依赖可追忆（深度学习入门系列之十四）

【版权声明】转载请注明出处和作者署名。否则作者和云栖社区有权追究责任。

系列文章

一入侯门“深”似海，深度学习深几许（入门系列之一）

人工“碳”索意犹尽，智能“硅”来未可知（深度学习入门系列之二）

神经网络不胜语， M-P模型似可寻（深度学习入门系列之三）

“机器学习”三重门，“中庸之道”趋若人（深度学习入门系列之四）

Hello World感知机，懂你我心才安息(深度学习入门系列之五)

损失函数减肥用，神经网络调权重（深度学习入门系列之六）

山重水复疑无路，最快下降问梯度（深度学习入门系列之七）

BP算法双向传，链式求导最缠绵（深度学习入门系列之八）

全面连接困何处，卷积网络见解深（深度学习入门系列之九）

卷地风来忽吹散，积得飘零美如画（深度学习入门系列之十）

局部连接来减参，权值共享肩并肩（深度学习入门系列之十一）

激活引入非线性，池化预防过拟合（深度学习入门系列之十二）

循环递归RNN，序列建模套路深（深度学习入门系列之十三）

14.1 遗忘是件好事还是坏事？

如果我问你，遗忘，是件好事，还是坏事？

或许你会说，当然是件坏事啊，我可羡慕记忆力好的人了。

可我要告诉你，如果你到现在还记得，两岁时，隔壁家的小女孩“横刀都爱”，抢了你的棒棒糖，估计你现在还可能单身。如此记仇的人，不孤独也难啊？

的确，有时候，遗忘是好事，它会让大脑清理无用“内存”，然后让你得以重新起航。此外，记忆其实是一种生物运算，需要消耗能量的。从进化论的角度来看，如果大脑一直运算着长时间都用不着的“子程序”，是极不经济的。在物资并不丰裕的远古时代，这样的生物，会被“物竞天择”掉的！因此，遗忘，在某种程度上，是生物的一种自我保护机制。

那遗忘，是件好事咯？或许你会问。

如果是好事，为什么当年背几个英文单词，都要绞尽脑汁，家人还不得不都无辜地“光荣”一大半：Bus(爸死)、Yes(爷死)、Nice（奶死），都Cheese（气死）。

嗯，是的。过犹都不及。我们既需要记忆，也需要遗忘。我们既需要短期记忆(short-term memory)，必要时，还要将这些短记忆拉长（long short-term memory），留存下来，以备后用。

聪慧如你，一定猜到了。我要引入本章的主题：长短期记忆(Long Short-Term Memory，简称LSTM)。这个名字有点怪，难道是又长又短的记忆？当然不是，请注意“Short-term”中间有一个短横线“-”连接。这表明，在本质上，LSTM还是短期记忆(short-term memory)，只是它历经的时序较长而已。

14.2 施密德胡伯是何人？

“LSTM”，名称很拗口啊，为了记忆，我把它记做“老（L）师（S）太（T）忙（M）”。如果于尔根•施密德胡伯（Jürgen Schmidhuber）知道我这么玩笑地称呼他的“宝贝”，会不会怼我啊？

施密德胡伯（名字太长，以下简称“胡伯”）又是何许人也？他可来头不小。我们常说深度学习有三大巨头，约书亚•本吉奥（Yoshua Bengio）、扬•勒丘恩（Yann LeCun，又译作“严乐春”）和杰弗里•辛顿（Geoffrey Hinton）。如果把“三大巨头”扩展为“四大天王”的话，这位胡伯应可入围。论开创性贡献，他也算得上深度学习的先驱人物之一。其中他最杰出的贡献，莫过于他于1997年和Hochreiter合作提出的LSTM[1]。因此，胡伯也被尊称为“LSTM之父”。

在前面，之所以我会问胡伯会不会怼我？并不是说他真的会怼一个无名小辈。而是想说，这位老伯本领大，脾气也大啊。

有例为证。2015年，前面提及的深度学习三巨头在著名学术期刊《Nature》上发表了一篇《Deep Learning》综述[2]，随后胡伯就站出来指责，你们没有充分肯定自己工作的价值。而综述第一作者严乐春亦不甘示弱，随后霸气发文反驳，你丫就值这么多。

有道是，有人的地方，就有江湖。有江湖的地方，就有纷争。

还有一例，值得说道一下。近几年，由伊恩•古德费勒（Ian Goodfellow）等人提出“生成对抗网络”（Generative Adversarial Networks，GANs），在人工智能领域非常火爆，可称为非监督深度学习的典范之作。这位“好小伙（Goodfellow）”又是谁呢？他就是深度学习三巨头之一的本吉奥（Bengio）的博士生，现就职于谷歌的人工智能团队。严乐春对GAN交口称赞，称其为“20年来机器学习领域最酷的想法”。

图14-1 胡伯与好小伙（Goodfellow）真情互怼

可有人不这么看。2016年12月，在知名的NIPS(Neural Information Processing Systems)大会上，Goodfellow正在做关于GAN的培训宣讲，就发生了尴尬的一幕。不待Goodfellow台上讲完，有位听众就迫不及待，站起来说，自己在1992年提出了一个叫做Predictability Minimization（可预测性最小化，简称 PM）的模型[4]，说它如何有效工作，然后话锋一转，问台上的Goodfellow：“你觉不觉得，我的这个PM，跟你的GAN有没有什么类似之处啊？”

来者不善，善者不来。这个来者就是前面提到的胡伯。1987年出生的好小伙Goodfellow初生牛犊不怕虎，当时就有点火大，和胡伯怼上了（感兴趣的读者，可前往视频围观）。为何Goodfellow会恼火？原因很简单，因为胡伯的言外之意就是，你丫的创新并不新鲜，不过是拾我20多年之牙慧罢了。

在这里，我之所以会这么花点笔墨来说胡伯的故事，原因有二：第一他是本章议题LSTM的提出者。二是想介绍一个“二元学习”的方法论。严伯钧老师曾说，如果你没有太多精力，但又想快速建立对一个新领域的感觉，那么最好的办法就是使用“二元学习法”。具体来说，就是找到两位这个领域的代表性人物，最好是针锋相对的代表人物，高手对决，精彩就会纷呈。比如说，在古典音乐领域，听到莫扎特的音乐，就该去找贝多芬的经典欣赏一下；在经济学领域，看到凯恩斯的著作，就该去找哈耶克的书看看。再比如，如果你想了解Goodfellow的GAN，也该找找胡伯的PM模型了解一番。

14.3 为什么需要LSTM?

言归正传，让我们回到LSTM的讨论上。近年来，循环神经网络（RNN）在很多自然语言处理项目中取得突破。如果光靠第一代的RNN功力，自然是办不到的。我们知道，传统RNN多采用反向传播时间（BPTT）算法。这种算法的弊端在于，随着时间的流逝，网络层数的增多，会产生梯度消失或梯度爆炸等问题。

“梯度消失”说的是，如果梯度较小的话（<1），多层迭代以后，指数相乘，梯度很快就会下降到对调参几乎就没有影响了。想一想，(0.99)^100是不是趋近于0？

“梯度爆炸”说的是，反过来，如果梯度较大的话（>1），多层迭代以后，又导致了梯度大的不得了。想一想，(1.01)^100是不是也很大？

权重爆炸可能引起权重振荡。梯度消失又导致网络调参失去方向感。这些场景都会让BPTT望“参”兴叹。于是，它在呼唤一个新的策略让RNN复活。

这个策略就是胡伯在1997年提出的（Long Short-Term Memory，LSTM）。由于独特的设计结构，LSTM特别适合于处理时序间隔和延迟非常长的任务，而且性能奇佳。比如说，2009年，用改进版LSTM，赢过ICDAR手写识别比赛冠军。再后来，2014年，Bengio团队提出了一种更加好用的LSTM变体GRU (Gated Recurrent Unit，门控环单元) [6]，从而使得RNN的应用，如洪水泛滥，一发不可收拾。2016年，谷歌公司利用LSTM来做语音识别和文字翻译[7]。同年，苹果公司使用LSTM来优化Siri应用[8]。作为非线性模型，LSTM非常适合于构造更大型深度神经网络。

下面，我们就来剖析一下LSTM结构。

14.4 拆解LSTM

14.4.1 传统RNN的问题所在

只有定位好问题所在，才能找到机会解决问题。因此，在讲解LSTM原理之间，让我们首先重温一下第一代RNN的问题所在。

让我们考察一下，在原始RNN隐层中的神经元，它只有一个状态，记为h，它对短期输入非常敏感。在第13章中，我们已说明，RNN可利用历史信息（或说上下文信息），把过去的输出，再次循环作为输入，从而可达到更好的预测效果。比如说，“天空中飞来一只__”，这个句子比较短，对于RNN来说，构建的网络层数比较浅，因此我们可以充分利用历史信息，能以较大概率来预测空白区可能是“鸟”或“蜻蜓”之类的飞行动物。

图14-2 上下文较长，无法利用历史信息

但是，如果我们再接着预测如下句子的空白处，句子为“我在中国北京长大，我兄弟5人，我哥叫牛A，我还有三个弟弟分别叫牛C、牛D和牛F，我排名老二，因此大家都叫我牛B，我们都能说一口流利的__”。距离空白处最近的信息提示我们，该处可能要预测一个语言名称。

但世界上的语言上百种，如果我们想缩小语言名称的范围，自然需要利用这个词的上下文信息，但我们很快就会发现，关键词“中国北京”距离“说一口流利的__”这个词汇之间，距离太过遥远。的确，我们也可把RNN的结构做深一点，但限于前文提到的缺点，如梯度弥散等问题，前面网络层的信息如 x0 、x1，..., 等，“流淌”到当前层，有用的信息已所剩无几。或者说，过去的信息已经被抛弃（“遗忘”）了。有时，这样有用但又为抛弃的神经单元，也称为泄漏单元（leaky unit）。

14.4.2 改造的神经元

从上面的分析可知，第一代RNN的问题，出在神经元的功能不健全上，它把该记住的遗忘了，又把该遗忘的记住了。那如何来改造它呢？这个时候，就要体现胡伯提出的LSTM的工作了。LSTM的核心本质在于，通过引入巧妙的可控自循环，以产生让梯度能够得以长时间可持续流动的路径 。

假如我们在原有神经元的基础上再增加一个状态，即c，让它“合理地”保存长期的状态，不就解决问题了吗？其结构如图14-3所示.

图14-3 调整神经的功能

假设新增加的状态c，称为记忆单元态(cell state)，亦称为“记忆块（memory block）”，用以取代传统的隐含神经元节点。它负责把记忆信息从序列的初始位置，传递到序列的末端。下面我们把图14-3按照时间步展开，得到如图14-4所示的示意图。

图14-4 按时间步展开的RNN网络

从示意图14-4可看出，在LSTM结构中，在t时刻，当前神经元（粗红线标识）的输入有三个：当前时刻输入值 xt、前一时刻输出值 st−1 和前一时刻的记忆单元状态 ct−1。输出有两个：当前时刻LSTM输出值 st 和当前时刻的记忆单元状态ct。需要注意的是，这里的x，s和c都是向量，里面都包含多个参数值。

现在LSTM关键之处来了，那就是如何有效控制这个长期状态c而为我所用呢？这里，LSTM的设计思路是设计3把控制门开关（gate），从而打造一个可控记忆神经元，如图14-5所示。

图14-5 长期状态c的控制门的三把开关

这第一把门开关，就是负责决定把前一个长期记忆 ct−1 在多大程度上保留到ct中，它可选择性地遗忘部分之前积累的信息；第二把门开关，就是负责控制以多大程度把当前即时状态存入到长期记忆状态ct中；第三把开关，负责控制是否把长期状态c，作为当前LSTM的输出。有了这三把好用的开关，记忆就如是酒保手中的酒，是“勾兑”可调的。

接下来，让我们要聊聊，在记忆单元中，内部状态c和输出s是如何计算的。

14.5 LSTM的前向计算

前文描述的门开关，实际上是一个比喻。在真正的算法中，哪有什么所谓的“开关”？这里的“门开关”，实际上就是一个全连接网络层，它的输入是一个复杂的矩阵向量，而输出是一个0到1之间的实数向量。请注意，由于“门”和“层”的关系是，一个是比喻，一个是实现，所以后文中我们可能混搭表述。

LSTM实际上通过调控某些全连接层网络参数，来达到调控输出的目的。如果输出可控，那么“门”的开和关，就可以模拟出来了。

假设W是门的权重向量，b为偏置向量，这个“门”可表示为公式（14-1）。

这里，激活函数σ可用挤压函数sigmoid函数的输出来控制门的开与关。由于sigmoid函数的值域被控制在0和1之间。那么，激活函数输出为0时，任何向量与之相乘，结果为0，这就相当于“门”关上了；那如果输出为1时，任何向量与之相乘都不会改变，这就相当于“门”完全开启。当输出值在0至1之间呢，这相当于门是半掩半开的，就可以调控“记忆”的留存程度。

还记得吗？在第13章中，我们说过，人们通常都不具备“马尔科夫链思维”，言外之意，就是说，我们当前的内心感受，都是历史的投射和当下的输入，叠加在一起的结果。这就好比一个场景，“一巴掌挨在脸上（当前输入），新仇旧恨涌上心头（历史记忆）”。

类似地，LSTM也设计两个门控制记忆单元状态c的信息量：一个是遗忘门（forget gate）。所谓的“遗忘”，也就是“记忆的残缺”。它决定了上一时刻的单元状态有多少“记忆”可以保留到当前时刻；另一个是输入门（input gate），它决定了当前时刻的输入有多少保存到单元状态。

在图14-5中，我们说过，LSTM是由三个门来实现的。实际上，为了表述方便，很多文献还添加了一个门，叫候选门（Candidate gate），它控制着以多大比例融合“历史”信息和“当下”刺激。

最后，LSTM还设计了一个输出门（output gate），来来控制单元状态有多少信息输出。下面对这4个门分别进行详细介绍。

14.5.1 遗忘门

如前所述，遗忘门的目的在于，控制从前面的记忆中，丢弃多少信息，或者说要继承过往多大程度的记忆。以音乐个性化推荐为例[9]，用户对某位歌手或某个流派的歌曲感兴趣，那么诸如“点赞”、“转发”和“收藏”等这样的正向操作，作为“记忆”，就需要得到加强（换句话说，就需要遗忘得少点）。反之，如果发生了删除、取消点赞或收藏等这类负向操作，对于推荐功能来说，它的信息就应该被“遗忘”得多一些。

遗忘门可通过公式（14-2）所示的激活函数来实现。

在公式（14-2）中，σ表示激活函数，这里通常为sigmoid。 WTf表示遗忘门权重矩阵， UTf是遗忘门输入层与隐层之间的权重矩阵，bf表示遗忘门的偏置，这里的下标f是“遗忘（forget）”的首字母，为了增强可读性而已，下同。

从公式（14-2）可看出，遗忘门是通过将前一隐层的输出 st−1 与当前的输入xt进行了线性组合，然后利用激活函数，将其输出值压缩到0到1的区间之内。当输出值越靠近1，表明记忆体（cell block）保留的信息就越多。反之，越靠近0，表明保留的就越少。记忆门的工作过程可用图14-6表示。

图14-6 遗忘门逻辑设计

输入门的作用在于，它决定了当前时刻的输入信息xt，以多大程度添加至记忆信息流中，它的计算公式几乎和遗忘门完全一致（除了下标和标识不同外），激活函数σ也使用sigmoid，如公式（14-3）所示。

由于和遗忘门功能类似，因此它们的示意图也是类似的，结合遗忘门在一起，如图14-7所示。

图14-7 输入门逻辑设计

14.5.3 候选门

候选门它可视为一个“勾兑门”，它主要负责“勾兑”当前输入信息和过去记忆信息，也就是候选门负责计算当前输入的单元状态 ，如公式（14-4）所示。

在这里激活函数换成了tanh，它可以把输出值规整到-1和1之间。示意图如图14-8所示。

图14-8 计算LSTM的内部的候选门

接下来，我们需要把记忆体中的状态从Ct−1更新到Ct。记忆的更新可由两部分组成：（1） 通过遗忘门过滤掉不想保留得部分记忆，大小可记为：ft×Ct−1；（2）添加当前新增的信息，添加的比例由输入门控制，大小可记为：it×C′t。然后将这两个部分线性组合，得到更新后的记忆信息Ct，如公式（14-5）所示。

图14-9为输入门与候选门的组合示意图。

图14-9 输入门与候选门的组合示意图

现在，我们来小结一下遗忘门和输入门的作用。由于遗忘门的存在，它可以控制保存多久之前的信息。由于输入门的存在，它又可以避免当前无关紧要的内容进入到记忆当中。这样一来，该忘记的把它遗忘，该记住的把它记牢，二者相得益彰。

14.5.4 输出门

内部的记忆状态更新完毕之后，下面就要决定是不是输出了。输出门的作用在于，它控制着有多少记忆可以用于下一层网络的更新中。输出门的计算可用公式（14-6）表示。

这里激活函数依然是用sigmoid。通过前面的介绍可知，sigmoid会把 Ot规则化为一个0到1之间权重值。

有道是，“话不能说得太满，满了，难以圆通；调不能定得太高，高了，难以合声”。这里的输出，也需要“悠着点”，不能太“任性”的输出，因此还要用激活函数tanh把记忆值变换一下，将其变换为-1至+1之间的数。负值区间表示不但不能输出，还得压制一点，正数区间表示合理的输出。这样有张有弛，方得始终。最终输出门的公式如（14-7）所示。

最后，结合前面的门路设计，完整的记忆神经元如图14-10所示。

图 14-10 LSTM隐层单元的完整逻辑设计

到此为止，我们剖析了LSTM网络的标准设计流程。但请注意，这并不是唯一的设计方式。事实上，很多文献都会对标准的设计流程有所变更。比如说，Chung等人提出的门控循环单元（Gated Recurrent Unit, GRU）[10]就是其中的佼佼者。GRU在LSTM的基础上进行了简化，它主要做了连个方面的改造：（1）提出了更新门的概念，也就是把输入门和遗忘门合并。（2）把记忆单元Ct和隐层单元st实施了统一。模型的简化，就意味运算上的简化，调参上的便捷。特别是在训练数据很大的情况下，GRU能节省更多时间，从而更能为用户所接受。

14.6 LSTM训练

前面我们花了大量的篇幅讨论了LSTM的结构，实际上只是讨论了它的前向传播工作原理，事实上，我们还缺一个LSTM训练算法框架，来调整网络参数。LSTM的参数训练算法，依然是我们熟悉的反向传播算法。对于这类反向传播算法，它们遵循的流程都是类似，简单说来，主要有如下三个步骤：

（1）前向计算每个神经元的输出值。对于LSTM而言，依据前面介绍的流程，按部就班地分别计算出ft，it，ct，ot和st。

（2）确定优化目标函数。在训练早期，输出值和预期值会不一致，于是可计算每个神经元的误差项值，借此构造出损失函数。

（3）根据损失函数的梯度指引，更新网络权值参数。与传统RNN类似，LSTM误差项的反向传播包括两个层面：一个是空间上层面的，将误差项向网络的上一层传播。另一个是时间层面上的，沿时间反向传播，即从当前t时刻开始，计算每个时刻的误差。

然后跳转第（1）步，重新做（1）、（2）和（3）步，直至网络误差小于给定值。

这里，限于篇幅，我们没有给出详细的求导过程，感兴趣的读者，推荐阅读胡伯的开创新性论文[1]和两篇非常优秀的英文博客 [11]（国内大部分介绍LSTM的网络文章，都或多或少第借鉴了这篇经典博客）和[12]（里面有详细的LSTM的前向和后向传播的详细推导过程）。

14.7 小结与思考

现在，我们小结一下本章主要内容。由于传统的RNN存在梯度弥散问题或梯度爆炸问题，导致第一代RNN基本上很难把层数提上去，因此其表征能力也非常有限，应用上性能也有所欠缺。于是，胡伯提出了LSTM，通过改造神经元，添加了遗忘门、输入门和输出门等结构，让梯度能够长时间的在路径上流动，从而有效提升深度RNN的性能。

通过本章的学习，请你思考如下问题：

（1）LSTM是如何避免梯度弥散的？它都使用了那些手段？

（2）根据“无免费午餐原理（No free lunch theorem）”，在任何一个方面的性能提升，都是以牺牲另一个方面性能为代价的，请问LSTM付出的代价（或者说缺点）又是什么？

14.8 致谢

由于工作较为繁忙，加之每篇博客都耗时不菲，从构思、查阅资料、撰写和绘图，每一篇文章都得花上好几天。因此，关于深度学习的入门系列，到本章为止，暂时不再更新（或者说第一季结束）。感谢读者朋友这几个月的捧场阅读。

博客能写到14章，首先要感谢云栖社区的支持，特别是阿里云张勇老师的关照（花名：身行；网名：我是主题曲哥哥），感谢他“容忍”我天马行空的写作风格。自然，也得感谢很多论文和网络资源的提供者，没有你们的先行探路，这个系列博客我也是写不出来的。

这个系列博客文章会集结成书，原因是博客文章有如下三个不足，暂时没有办法弥补。

（1）博客内浅尝辄止。为了迎合读者的碎片化阅读习惯，每篇博客都尽可能精简。读者看到每篇博客，基本上都是原文的阉割版。比如说，很多公式就难以给出详细推导过程。

（2）博客范围覆盖不全。虽然更新到第14篇，但深度学习博大精深，很多内容还没有涉及。比如说，Dropout、深度信念网络、生成对抗网络等有价值的内容都没有讲。

（3）博客没有实战环节。目前博客文章仅涉及理论入门，实战环节（如Theano、Caffe及TensorFlow等）一概没有提及。

其实，还有第4个原因，有点私心吧。那就是，出书多少能挣点稿费，以补贴我付出的时间和精力。如果读者认可我的工作并手头宽裕的话，希望你到时能赏光买一本。

书名暂定：《品味深度学习》。如果你有更好的题目，不妨给个建议。

出版社：暂时未定。

出版时间：争取2017年内。

参考文献

[1] Hochreiter S, Schmidhuber J. Long Short-Term Memory[J]. Neural Computation, 1997, 9(8):1735.

[2] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436-444.

[3] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]// International Conference on Neural Information Processing Systems. MIT Press, 2014:2672-2680.

[4] Schmidhuber J. Learning Factorial Codes by Predictability Minimization[J]. Neural Computation, 1992, 4(6):863-879.

[5] Liwicki, Fernandez, Bertolami, et al. A Novel Connectionist System for Improved Unconstrained Handwriting Recognition[J]. Physics Letters B, 2008, 450(4):332-338.

[6] Chung J, Gulcehre C, Cho K H, et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[J]. Eprint Arxiv, 2014.

[7] Wu Y, Schuster M, Chen Z, et al. Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation[J]. 2016.

[8] Smith, Chris (2016-06-13). "iOS 10: Siri now works in third-party apps, comes with extra AI features". BGR. Retrieved 2017-06-27.

[9] 黄安埠. 深入浅出深度学习.中国工信出版社.2017.6

[10] Chung J, Gulcehre C, Cho K H, et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[J]. Eprint Arxiv, 2014.

[11] Colah. Understanding LSTM Networks,2015

[12] Arun. LSTM Forward and Backward Pass

文章作者：张玉宏（著有《品味大数据》一书），审校：我是主题曲哥哥。