【深度学习】GRU的结构图及公式
GRU与LSTM的区别前面说到过LSTM的出现是为了解决传统RNN无法解决的长距离依赖问题而出现的，而GRU也具有该功能，但是结构相对于LSTM来说相对简单，可以将GRU看作是LSTM的一种优化或变体。GRU的结构图前向传播公式其中“*”代表矩阵乘法，“⋅”代表点乘（相应位置的元素乘相应位置的元素）rt=sigmoid(Wr∗[ht−1,xt]+br) r_t = sigmoid(W_...
GRU与LSTM的区别
前面说到过LSTM的出现是为了解决传统RNN无法解决的长距离依赖问题而出现的，而GRU也具有该功能，但是结构相对于LSTM来说相对简单，可以将GRU看作是LSTM的一种优化或变体。
GRU的结构图
前向传播公式
其中“*”代表矩阵乘法，“⋅”代表点乘（相应位置的元素乘相应位置的元素）
r
t
=
s
i
g
m
o
i
d
(
W
r
∗
[
h
t
−
1
,
x
t
]
+
b
r
)
r_t = sigmoid(W_r*[h_{t-1},x_t] + b_r)
rt=sigmoid(Wr∗[ht−1,xt]+br)
z
t
=
s
i
g
m
o
i
d
(
W
t
∗
[
h
t
−
1
,
x
t
]
+
b
z
)
z_t = sigmoid(W_t*[h_{t-1},x_t] + b_z)
zt=sigmoid(Wt∗[ht−1,xt]+bz)
h
~
t
=
t
a
n
h
(
W
h
~
∗
[
r
t
⋅
h
t
−
1
,
x
t
]
+
b
h
~
)
\widetilde h_t=tanh(W_{\widetilde h}*[r_t⋅h_{t−1},x_t]+b_{\widetilde h})
h
t=tanh(Wh
∗[rt⋅ht−1,xt]+bh
)
h
t
=
(
1
−
z
t
)
⋅
h
t
−
1
+
z
t
⋅
h
~
t
h_t = (1-z_t)⋅h_{t-1} + z_t⋅{\widetilde h_t}
ht=(1−zt)⋅ht−1+zt⋅h
t
y
t
=
s
i
g
m
o
i
d
(
W
o
∗
h
t
+
b
y
)
y_t = sigmoid(W_o*h_t + b_y)
yt=sigmoid(Wo∗ht+by)
CSDN联合极客时间，共同打造面向开发者的精品内容学习社区，助力成长！
更多推荐
4
0- 0
已为社区贡献1条内容
所有评论(0)