July 2018
Beginner to intermediate
432 pages
5h 58m
Japanese
6章では「ゲート付きRNN」としてLSTMを詳しく説明しました。LSTMは大変良いレイヤですが、パラメータが多く、計算には時間がかかります。そこで最近では、LSTMに代わる「ゲート付きRNN」が数多く提案されています。ここでは、GRU(Gated Recurrent Unit)[42]と呼ばれる有名で実績のあるゲート付きRNNを紹介します。GRUは、LSTMのゲートを使用するというコンセプトはそのままで、パラメータを削減し、計算時間を短縮します。それでは、GRUの中身を見ていきましょう。
LSTMの重要な点は、ゲートを使用することです。それによって、学習時における勾配はスムーズに流れるため、勾配消失を緩和できます。この思想をGRUも受け継いでいます。ただし、LSTMとGRUはいくつか相違点が見られます。大きな違いは、図C-1のように、レイヤのインタフェースに見られます。
図C-1 LSTMとGRUの比較
図C-1に示すように、LSTMが隠れ状態と記憶セルの2つのラインを使用するのに対して、GRUは隠れ状態だけを使用します。ちなみに、これは5章で扱った「シンプルなRNN」と同じインタフェースです。
![]() |
|
LSTMの記憶セルは、他のレイヤに見せることのない、プライベートな記憶部です。LSTMは記憶セルに必要な情報を記録し、記憶セルの情報を元に隠れ状態を求めました。それに対して、GRUは記憶セルのような追加の記憶部を必要としません。 ... |
Read now
Unlock full access