LSTM与梯度消失

梯度消失"/>

LSTM与梯度消失

1. 标准RNN中处理序列数据的方法是将上一个state的信息传到下一个state中，表示成数学公式为st=f(W*(st-1，xt)+b),其中f为激活函数。在反向传播中，根据求导的链式法则，这种形式求得的梯度为一个矩阵W与激活函数导数的乘积。如果进行n次反向传播，梯度变化将会变为（W*f”）的n次方累乘。

（1）如果乘积大于1，则梯度会随着反向传播层数n的增加而成指数增长，导致梯度爆炸；

（2）如果乘积小于1，经过多层传播后，小于1的数累乘后结果趋近于0，导致梯度消失。

2. 现在的lstm主要用来缓解梯度消失问题，其中，St主要由两部分组成，表示过去信息的St-1和表示现在信息St(~),数学公式为St = ft*St-1+it*f(St-1)

其中第二input部分与标准RNN类似，在反向传播中可能会逐渐消失，而第一forget部分经过多次传播之后，会出现ft*ft-1*ft-2……这样的累乘，ft的大小是可选的，可以有效减轻梯度消失。

3. 梯度爆炸一般靠裁剪后的优化算法即可解决，比如gradient clipping(如果梯度的范数大于某个给定值，将梯度同比收缩)。

4. 关于lstm中的forget gate的理解：

（1）原始的lstm是没有forget gate的，或者说相当于forget gate恒为1，所以不存在梯度消失问题

（2）现在的lstm被引入了forget gate,但是lstm的一个初始化技巧就是将forget gate的bias置为正数（例如1或5，这点可以查看各大框架代码），这样模型刚开始训练时forget gate的值接近于1，不回发生梯度消失

（3）随着训练过程的进行，forget gate就不再恒为1了。不过对于一个已经训练好的模型，需要选择性地记住或者遗忘某些信息，所以forget gate要么是1，要么是0，很少有类似0.5这样的中间值，相当于一个二元的开关。例如在某个序列里，forget gate全为1，那么梯度不会消失；否则，若某一个forget gate是0，这时候虽然会导致梯度消失，但是体现了模型的选择性，刻意遗忘某些信息。

综上，lstm可以缓解梯度消失问题，但不能彻底避免。