双向LSTM和LSTM有什么区别？

Question

有人能解释一下吗？我知道双向LSTM有向前和向后传球，但是这比单向LSTM有什么优势呢？

他们中的每一个更适合做什么？

Answer 1

LSTM在其核心中，使用隐藏状态从已经通过它的输入中保存信息。

单向LSTM只保存过去的信息，因为它看到的唯一输入来自过去。

使用双向将以两种方式运行您的输入，一种是从过去到未来，另一种是从未来到过去。这种方法与单向的不同之处在于，在向后运行的LSTM中，您可以保存来自未来的信息，以及使用两个隐藏状态组合在一起，您可以在任何时间点保存来自的过去和未来的信息。

他们适合的是一个非常复杂的问题，但BiLSTM显示了非常好的结果，因为他们可以更好地理解上下文，我将尝试通过一个例子来解释。

假设我们试图预测一个句子中的下一个单词，在较高的水平上，单向LSTM将看到的是

孩子们去了..。

并且尝试仅通过这个上下文来预测下一个单词，例如，使用双向LSTM，您将能够看到更多的信息。

远期LSTM：

孩子们去了..。

反向LSTM：

..。然后他们从游泳池里出来

您可以看到，利用来自未来的信息，网络可能更容易理解下一个单词是什么。

Answer 2

添加到Bluesummer的回答中，下面是如何在不调用BiLSTM模块的情况下从头开始实现双向LSTM。这可能会更好地对比单向和双向LSTM之间的区别。如您所见，我们合并两个LSTM来创建一个双向LSTM。

您可以使用任何一个{'sum', 'mul', 'concat', 'ave'}合并前向和后向LSTM的输出。

left = Sequential()
left.add(LSTM(output_dim=hidden_units, init='uniform', inner_init='uniform',
               forget_bias_init='one', return_sequences=True, activation='tanh',
               inner_activation='sigmoid', input_shape=(99, 13)))
right = Sequential()
right.add(LSTM(output_dim=hidden_units, init='uniform', inner_init='uniform',
               forget_bias_init='one', return_sequences=True, activation='tanh',
               inner_activation='sigmoid', input_shape=(99, 13), go_backwards=True))

model = Sequential()
model.add(Merge([left, right], mode='sum'))

model.add(TimeDistributedDense(nb_classes))
model.add(Activation('softmax'))

sgd = SGD(lr=0.1, decay=1e-5, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)
print("Train...")
model.fit([X_train, X_train], Y_train, batch_size=1, nb_epoch=nb_epoches, validation_data=([X_test, X_test], Y_test), verbose=1, show_accuracy=True)

Answer 3

与LSTM相比，BLSTM或BiLSTM有两个网络，一个在forward方向访问past信息，另一个在reverse方向上访问future。维基

一个新的类Bidirectional按官方文档添加：docs/python/tf/keras/层/双向

model = Sequential()
model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5,
10)))

激活函数可以添加如下：

model = Sequential()
model.add(Bidirectional(LSTM(num_channels, 
        implementation = 2, recurrent_activation = 'sigmoid'),
        input_shape=(input_length, input_dim)))

使用IMDB数据的完整示例将类似于4个时代之后的this.The结果。

Downloading data from https://s3.amazonaws.com/text-datasets/imdb.npz
17465344/17464789 [==============================] - 4s 0us/step
Train...
Train on 25000 samples, validate on 25000 samples
Epoch 1/4
25000/25000 [==============================] - 78s 3ms/step - loss: 0.4219 - acc: 0.8033 - val_loss: 0.2992 - val_acc: 0.8732
Epoch 2/4
25000/25000 [==============================] - 82s 3ms/step - loss: 0.2315 - acc: 0.9106 - val_loss: 0.3183 - val_acc: 0.8664
Epoch 3/4
25000/25000 [==============================] - 91s 4ms/step - loss: 0.1802 - acc: 0.9338 - val_loss: 0.3645 - val_acc: 0.8568
Epoch 4/4
25000/25000 [==============================] - 92s 4ms/step - loss: 0.1398 - acc: 0.9509 - val_loss: 0.3562 - val_acc: 0.8606

BiLSTM或BLSTM

import numpy as np
from keras.preprocessing import sequence
from keras.models import Sequential
from keras.layers import Dense, Dropout, Embedding, LSTM, Bidirectional
from keras.datasets import imdb


n_unique_words = 10000 # cut texts after this number of words
maxlen = 200
batch_size = 128

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=n_unique_words)
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
x_test = sequence.pad_sequences(x_test, maxlen=maxlen)
y_train = np.array(y_train)
y_test = np.array(y_test)

model = Sequential()
model.add(Embedding(n_unique_words, 128, input_length=maxlen))
model.add(Bidirectional(LSTM(64)))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

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

print('Train...')
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=4,
          validation_data=[x_test, y_test])