python神經網絡Keras實現LSTM及其參數量詳解
更新時間：2022年05月07日 10:20:24 作者：Bubbliiiing
這篇文章主要為大家介紹了python神經網絡Keras實現LSTM及其參數量詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪
什么是LSTM
1、LSTM的結構
我們可以看出，在n時刻，LSTM的輸入有三個：
- 當前時刻網絡的輸入值Xt；
- 上一時刻LSTM的輸出值ht-1；
- 上一時刻的單元狀態(tài)Ct-1。
LSTM的輸出有兩個：
- 當前時刻LSTM輸出值ht；
- 當前時刻的單元狀態(tài)Ct。
2、LSTM獨特的門結構
LSTM用兩個門來控制單元狀態(tài)cn的內容：
- 遺忘門（forget gate），它決定了上一時刻的單元狀態(tài)cn-1有多少保留到當前時刻；
- 輸入門（input gate），它決定了當前時刻網絡的輸入c’n有多少保存到新的單元狀態(tài)cn中。
LSTM用一個門來控制當前輸出值hn的內容：
輸出門（output gate），它利用當前時刻單元狀態(tài)cn對hn的輸出進行控制。
3、LSTM參數量計算
a、遺忘門
遺忘門這里需要結合ht-1和Xt來決定上一時刻的單元狀態(tài)cn-1有多少保留到當前時刻；
由圖我們可以得到，我們在這一環(huán)節(jié)需要計一個參數ft。
b、輸入門
輸入門這里需要結合ht-1和Xt來決定當前時刻網絡的輸入c’n有多少保存到單元狀態(tài)cn中。
由圖我們可以得到，我們在這一環(huán)節(jié)需要計算兩個參數，分別是it。
和C’t
里面需要訓練的參數分別是Wi、bi、WC和bC。
在定義LSTM的時候我們會使用到一個參數叫做units，其實就是神經元的個數，也就是LSTM的輸出——ht的維度。
所以：
c、輸出門
輸出門利用當前時刻單元狀態(tài)cn對hn的輸出進行控制；
由圖我們可以得到，我們在這一環(huán)節(jié)需要計一個參數ot。
里面需要訓練的參數分別是Wo和bo。在定義LSTM的時候我們會使用到一個參數叫做units，其實就是神經元的個數，也就是LSTM的輸出——ht的維度。所以：
d、全部參數量
所以所有的門總參數量為：
在Keras中實現LSTM
LSTM一般需要輸入兩個參數。
一個是unit、一個是input_shape。
LSTM(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))
unit用于指定神經元的數量。
input_shape用于指定輸入的shape，分別指定TIME_STEPS和INPUT_SIZE。
實現代碼
import numpy as np
from keras.models import Sequential
from keras.layers import Input,Activation,Dense
from keras.models import Model
from keras.datasets import mnist
from keras.layers.recurrent import LSTM
from keras.utils import np_utils
from keras.optimizers import Adam
TIME_STEPS = 28
INPUT_SIZE = 28
BATCH_SIZE = 50
index_start = 0
OUTPUT_SIZE = 10
CELL_SIZE = 75
LR = 1e-3
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
X_train = X_train.reshape(-1,28,28)/255
X_test = X_test.reshape(-1,28,28)/255
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
inputs = Input(shape=[TIME_STEPS,INPUT_SIZE])
x = LSTM(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))(inputs)
x = Dense(OUTPUT_SIZE)(x)
x = Activation("softmax")(x)
model = Model(inputs,x)
adam = Adam(LR)
model.summary()
model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])
for i in range(50000):
X_batch = X_train[index_start:index_start + BATCH_SIZE,:,:]
Y_batch = Y_train[index_start:index_start + BATCH_SIZE,:]
index_start += BATCH_SIZE
cost = model.train_on_batch(X_batch,Y_batch)
if index_start >= X_train.shape[0]:
index_start = 0
if i%100 == 0:
cost,accuracy = model.evaluate(X_test,Y_test,batch_size=50)
print("accuracy:",accuracy)
實現效果：
10000/10000 [==============================] - 3s 340us/step accuracy: 0.14040000014007092 10000/10000 [==============================] - 3s 310us/step accuracy: 0.6507000041007995 10000/10000 [==============================] - 3s 320us/step accuracy: 0.7740999992191792 10000/10000 [==============================] - 3s 305us/step accuracy: 0.8516999959945679 10000/10000 [==============================] - 3s 322us/step accuracy: 0.8669999945163727 10000/10000 [==============================] - 3s 324us/step accuracy: 0.889699995815754 10000/10000 [==============================] - 3s 307us/step
以上就是python神經網絡Keras實現LSTM及其參數量詳解的詳細內容，更多關于Keras實現LSTM參數量的資料請關注腳本之家其它相關文章！
相關文章
眼看馬上春節(jié)就要來臨了，所以滿懷期待的寫了一個Python新年倒計時的小工具！文中的示例代碼簡潔易懂，感興趣的小伙伴可以跟隨小編一起學習一下2023-01-01
這篇文章主要介紹了django框架使用方法詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-07-07
Python中的NumPy實用函數整理之percentile詳解
這篇文章主要介紹了Python中的NumPy實用函數整理之percentile詳解,NumPy函數percentile()用于計算指定維度上數組元素的第?n?個百分位數,返回值為標量或者數組,需要的朋友可以參考下2023-09-09
這篇文章主要介紹了關于Python的pymouse click 雙擊的問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-06-06
今天小編就為大家分享一篇python實現指定ip端口掃描方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
本篇文章主要介紹了python用pickle模塊實現“增刪改查”的簡易功能，具有一定的參考價值，感興趣的小伙伴們可以參考一下。2017-06-06
這篇文章主要介紹了python通過函數名調用函數的幾種場景，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-09-09
今天小編就為大家分享一篇pycharm修改界面主題顏色的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01
這篇文章主要介紹了如何使用Python編寫一個簡單的應用程序，將文本轉換為語音，文中的示例代碼講解詳細，感興趣的小伙伴可以動手嘗試一下2023-08-08
今天小編就為大家分享一篇python 創(chuàng)建一維的0向量實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12