2 深度学习在NLP中的应用之LSTM与GRU

查看大图

NLP 进阶学习要把模型结构、任务形式、评估指标和真实样本放在同一条线上。阅读时可以按「LSTM：长短期记忆网络 -> LSTM的结构 -> LSTM的应用案例 -> GRU：门控循环单元」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「LSTM：长短期记忆网络」，再查「LSTM的结构」。

在上一篇教程中，我们回顾了深度学习的基础知识，为自然语言处理（NLP）中的深度学习技术打下了扎实的基础。在本篇中，我们将深入探讨两种关键的循环神经网络（RNN）架构：长短期记忆网络（LSTM）和门控循环单元（GRU）。这两种结构在处理序列数据时，相较于传统的RNN具有显著的优势，尤其是在文本生成、情感分析和机器翻译等NLP任务中。

1. LSTM：长短期记忆网络

LSTM由Hochreiter和Schmidhuber于1997年提出，旨在解决传统RNN在长序列训练时面临的梯度消失和梯度爆炸问题。

查看大图

学习 LSTM 与 GRU 时，先看任务是否依赖前后文、历史状态和长期记忆。门控机制的意义，就在于控制信息保留和遗忘。

1.1 LSTM的结构

LSTM通过引入“记忆单元”和多个“门”来控制信息的流动和存储，显著增强了模型对长期依赖关系的学习能力。LSTM的基本结构如下：

• 遗忘门（Forget Gate）: 决定哪些信息需要被遗忘。

  $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$

• 输入门（Input Gate）: 决定哪些信息需要被更新。

  $$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$

• 候选记忆单元（Candidate Cell State）: 创建新的记忆单元。

  $$\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$$

• 更新记忆单元（Cell State Update）: 更新记忆单元。

  $$C_t = f_t \ast C_{t-1} + i_t \ast \tilde{C}_t$$

• 输出门（Output Gate）: 决定输出的内容。

$$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$$

最终的输出可以表示为：

$$h_t = o_t \ast \tanh(C_t)$$

1.2 LSTM的应用案例

假设我们要构建一个简单的情感分析模型，通过LSTM来判断一段文本的情感是积极还是消极。使用Keras库，我们可以构建如下模型：

from keras.models import Sequential
from keras.layers import LSTM, Dense, Embedding
from keras.preprocessing.sequence import pad_sequences

# 假设已准备训练数据：X_train和y_train
model = Sequential()
model.add(Embedding(input_dim=vocab_size, output_dim=embedding_dim, input_length=max_length))
model.add(LSTM(units=100))
model.add(Dense(units=1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X_train, y_train, epochs=5, batch_size=32)

2. GRU：门控循环单元

GRU是2014年由Kyunghyun Cho等提出的，它是一种相对较新的RNN架构，旨在进一步优化LSTM的结构，具有更少的参数，从而加快训练和推理速度。

查看大图

学《深度学习在NLP中的应用之LSTM与GRU》时，可以先找一个自己能复现的小场景，再看相关概念和练习步骤，读完后用自己的例子复述一遍。

2.1 GRU的结构

GRU结合了LSTM中的遗忘门和输入门，并采用了更新门和重置门的设计，其结构如下：

• 更新门（Update Gate）: 结合了遗忘门和输入门的功能。

  $$z_t = \sigma(W_z \cdot [h_{t-1}, x_t] + b_z)$$

• 重置门（Reset Gate）: 决定如何利用过去的信息。

  $$r_t = \sigma(W_r \cdot [h_{t-1}, x_t] + b_r)$$

• 新记忆单元（新状态）: 结合过去的状态与当前输入。

  $$\tilde{h}_t = \tanh(W_h \cdot [r_t \ast h_{t-1}, x_t] + b_h)$$

最终的状态更新为：

$$h_t = (1 - z_t) \ast h_{t-1} + z_t \ast \tilde{h}_t$$

2.2 GRU的应用案例

与LSTM类似，我们同样可以使用GRU用于情感分析任务。以下是基于Keras的GRU模型示例：

from keras.models import Sequential
from keras.layers import GRU, Dense, Embedding
from keras.preprocessing.sequence import pad_sequences

# 假设已准备训练数据：X_train和y_train
model = Sequential()
model.add(Embedding(input_dim=vocab_size, output_dim=embedding_dim, input_length=max_length))
model.add(GRU(units=100))
model.add(Dense(units=1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X_train, y_train, epochs=5, batch_size=32)

3. LSTM与GRU的比较

特性	LSTM	GRU
结构复杂度	更复杂，包含三个门	相对简单，仅有更新门和重置门
计算效率	通常较慢	通常较快，可以在相似任务中表现出更好的速度
适用场景	长期依赖较强的任务，比如语言模型	一些任务中可与LSTM并驾齐驱，且训练更快

查看大图

学完《深度学习在NLP中的应用之LSTM与GRU》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

查看大图

如果想把《深度学习在NLP中的应用之LSTM与GRU》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

4. 小结

在本篇教程中，我们深入探讨了LSTM和GRU这两种重要的RNN变体，以及它们在自然语言处理中的应用。了解这些模型的工作原理对我们完成更复杂NLP任务至关重要。在下一篇文章中，我们将讨论”转移学习与预训练模型”，探讨如何利用这些强大的模型来提升我们的NLP任务的效果。