关于人工智能:如何计算LSTM层中的参数数量

46次阅读

共计 1470 个字符,预计需要花费 4 分钟才能阅读完成。

长短期记忆网络(通常称为“LSTM”)是一种非凡的 RNN,通过精心设计 LSTM 可能学习长期的依赖。正如他的名字,它能够学习长期和短期的依赖。

每个 LSTM 层都有四个门:

  1. Forget gate
  2. Input gate
  3. New cell state gate
  4. Output gate

上面计算一个 LSTM 单元的参数:

每一个 lstm 的操作都是线性操作,所以只有计算一个而后乘以 4 就能够了,上面以 Forget gate 为例:

h(t-1) — Hidden layer unit from previous timestamps
x(t) — n-dimesnional unit vector
b- bias term

因为曾经晓得 h(t-1)和 X(t) W_f 和 b_f 是未知项。这里咱们应用 LSTM 来寻找最终的 w_f 是 [h(t-1),x(t)] 的拼接。

W_f:num_units + input_dim: concat [h(t-1), x(t)]
b_f:1

所以来计算参数公式:

num_param = no_of_gate(num_units + input_dim+1)

在整个 LSTM 层中有四个门,所以最初的方程如下。

num_param = 4(num_units + input_dim+1)

在理论利用时,咱们不只是解决单个 LSTM cell。如何计算多个 cell 的参数?

num_params = 4 * [(num_units + input_dim + 1) * num_units]

num_units = 来自以前的工夫戳暗藏的层单元 = output_dim

咱们理论计算一个 lstm 的参数数量

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.layers import Embedding
from keras.layers import LSTM
model = Sequential()
model.add(LSTM(200, input_dim=4096, input_length=16))
model.summary()

keras 的计算结果为:

Model: "sequential_2"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
lstm_2 (LSTM) (None, 200) 3437600
=================================================================
Total params: 3,437,600
Trainable params: 3,437,600
Non-trainable params: 0
_________________________________________________________________

上面应用咱们下面介绍的公式手动计算:

num_params = 4 * [(num_units + input_dim + 1) * num_units]
num_params = 4*[(200+4096+1) * 200]
num_params = 3437600

后果是一样的

https://avoid.overfit.cn/post/ed5f0d482d5e486387f2708b7d0d58d8

作者:Maheshmj

正文完
 0