【深度学习-RNN系列】GRU简介 & 源码实现

| ， ， ， | 评论数： |
本文字数： | 阅读时长 ≈

简介

LSTM 计算较为复杂，参数也非常多，难以训练。GRU（Gated Recurrent Units）应运而生。

在 GRU 中，大幅简化了 LSTM 结构

背后的逻辑

  1. 新增 reset gate，即图中的 r 开关；
  2. 将输入门和遗忘门合并为“update gate”，即图中的 z 开关；
  3. 将细胞状态 C 和隐藏状态 m 合并为 h；
  4. 省掉了输出门；

应用实例

  • 百度的Deep speech2

GRU的实现源码

GRU-tensorflow

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

def call(self, inputs, state):
  """Gated recurrent unit (GRU) with nunits cells."""

  gate_inputs = math_ops.matmul(
      array_ops.concat([inputs, state], 1), self._gate_kernel)
  gate_inputs = nn_ops.bias_add(gate_inputs, self._gate_bias)

  value = math_ops.sigmoid(gate_inputs)
  r, u = array_ops.split(value=value, num_or_size_splits=2, axis=1)

  r_state = r * state

  candidate = math_ops.matmul(
      array_ops.concat([inputs, r_state], 1), self._candidate_kernel)
  candidate = nn_ops.bias_add(candidate, self._candidate_bias)

  c = self._activation(candidate)
  new_h = u * state + (1 - u) * c
  return new_h, new_h

pytorch

缺陷

参考

相关文章