lstm机器学习 lstm模型存储的是什么内容

lstm 做ner时，词汇和词性均作为特征，特征向量怎么定义

我们要证明的是,任意的非零x属于V. Ax=kx,其中k是固定的数. 我们已知的是当x1属于V时,x是A的特征向量,因此有Ax1=k1x1. 此时注意,x1不同,可能会导致对应的k1不同. 总结起来就是不同的特征向量x不一定是同一个特征值k的.我们下面要证明的就是k与V中x的选取无关. 设x1,....,xn为V的一组基(或线性无关组),a1,...an为任意不全为零的常数. 那么让x=a1x1+...+anxn.由线性变换的角度讲Ax=k1a1x1+...+knanxn 由x是A特征向量的角度讲Ax=kx=k(a1x1+...+anxn).由于向量Ax在基下表示唯一,可见k与每一个k1...kn相等.这就从x的任意性,证明了k是固定常数.

如何评价最近比较火的LSTM

LSTM效果很好，不过很多时候我们更愿意用GRU来替换之。

很多论文都比较过两者的学习效果，是不相上下的。

但是GRU的构造更简单：比LSTM少一个gate，这样就少几个矩阵乘法。

在训练数据很大的情况下GRU能节省很多时间。

LSTM神经网络输入输出究竟是怎样的

经网络利用现有的数据找出输入与输出之间得权值关系（近似），然后利用这样的权值关系进行仿真，例如输入一组数据仿真出输出结果，当然你的输入要和训练时采用的数据集在一个范畴之内。

例如预报天气：温度 湿度 气压等作为输入 天气情况作为输出利用历史得输入输出关系训练出神经网络，然后利用这样的神经网络输入今天的温度 湿度 气压等 得出即将得天气情况当然这样的例子不够精确，但是神经网络得典型应用了。

如何自定义LSTM的initial state

可以把 LSTMStateTuple() 看做一个op from tensorflow.contrib.rnn.python.ops.core_rnn_cell_impl import LSTMStateTuple ... c_state = ... h_state = ... # c_state , h_state 都为Tensor initial_state = LSTMStateTuple(c_state, h_state) 1234567812345678 当然，GRU就没有这么麻烦了，因为GRU没有两个state。

lstm和highway networks什么关系

首先，除了 orthogonal initialization 和 uniform initialization，现在常用的还有 Gaussian initialization。

不常用的还有 identity initialization 和现在“已经被时代抛弃”的 pretraining with autoencoder。

这些方法在不同的场景下都被人选择了。

个人感觉，比较复杂的 LSTM 用 orthogonal initialization 的人比较多，而在 research paper 讨论一个小 task 时，我看到的大部分还是说用 uniform/Gaussian。

这里可能的直观的原因是后者的 layer 和 magnitude 比较少/小。

说到 layer 比较少，其实我是想说，orthogonal initialization，个人认为对于 LSTM （deep, high-dimensitional, non-convex）比较有效的原因是，（1）可以很方便地减缓 gradient vanishing/exploding problem 和 activation functions 的 saturation。

因为 orthogonal matrix 的所有 vectors 都是 orthonormal 的，也就是不仅 orthogonal，还 magnitude 为 1. 这样，在计算时候，乘上这个 matrix，就可以修正 vanishing 也可以重置 saturation。

（2）这个问题应该是和 saddle point 有关系，复杂的 LSTM 受 saddle point structures 带来的各种问题更严重，而基于 SVD/QR 的 orthogonal initialization 可以 works 之间的依赖，消除 non-global minima。

（3）当然还有这几种 initialization 都用来破坏 symmetry。

上面这是可被证实的，下面来点个人的猜测：这和 weight variation 也有关系。

综上，有些人觉得这几种方法没区别，有人觉得有，完全是 case-by-case。

我个人在实践过程中，即使是小网络，也觉得有区别。

机器学习 lstm模型存储的是什么内容

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。

专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。