LSTM的核心构成,实际中“门”的效果如何？

长短时记忆网络（LSTM）是序列建模中被广泛使用的循环结构，LSTM利用门结构来控制模型中信息的传输量。但在实际操作中，LSTM中的门通常都处于“半开半关”的状态，没有有效地控制信息的记忆与遗忘。为此，微软亚洲研究院机器学习组提出了一种新的LSTM训练方法，让模型的门接近“二值化”——0或1，可以更准确地去除或者增加信息，进而提高模型的准确性、压缩比以及可解释性。

在很多实际场景中，深度学习模型都要面临输入长度不固定或者说输入变长（variable-length input）的问题：例如在文本判别中，我们需要判断一个句子的语义是积极还是消极的，这里输入句子的长度是多种多样的；在时间序列预测问题中，我们需要根据历史上信息的变化预测当前的数值，而历史信息的长度在不同时间点也是不同的。

普通的神经网络模型，比如卷积神经网络（CNN），无法解决此类输入变长的问题。为此，人们首先提出了循环神经网络（Recurrent Neural Network），简称RNN。循环神经网络的核心是通过循环的方式，将历史信息和当前信息不断整合。例如，当你看美剧第N集时，需要通过对前N-1集的剧情的理解（记忆），以及当前这一集的剧情（当前输入），更新自己对这部剧的理解。

在深度学习早期，RNN结构在很多应用中取得了成功，但同时，这个简单模型的瓶颈也不断显现，这不仅涉及到优化本身（如梯度爆炸、梯度消失）的问题，还有模型的复杂度的问题。例如一句话“小张已经吃过饭了，小李呢？”，这句话是在询问“小李是否吃过饭”，但在RNN看来，信息是从左到右不断流入的，所以最后很难分清到底是在问小张是否过饭，还是在问小李是否吃过饭。于是带有遗忘机制的新结构就诞生了——长短时记忆网络（Long Short Term Memory Network，LSTM）。

LSTM是由Hochreiter & Schmidhuber在1997年提出的RNN的一种特殊类型，可以学习长期依赖（long-term dependency）信息。在很多自然语言处理问题以及增强学习问题中，LSTM都取得相当巨大的成功，并得到了广泛的使用。

LSTM的核心构成

LSTM的关键构成是一种被称作“门”的结构，LSTM通过精心设计的门结构去除或者增加信息。门是一种让信息选择通过的方法。一般情况下，在一个维度上，一个门是一个输出范围在0到1之间的数值，用来描述这个维度上的信息有多少量可以通过这个门——0代表“不许任何量通过”，1代表“全部通过”。

LSTM拥有三类门，分别是输入门、输出门、和遗忘门。

首先，LSTM需要通过遗忘门决定应该从历史中丢弃什么信息。在每一维度，遗忘门会读取历史信息和当前信息，输出一个在0到1之间的数值，1表示该维度所携带的历史信息“完全保留”，0表示该维度所携带的历史信息“完全舍弃”。例如在前面的例子中，当我们读到“小张已经吃过饭了，小李呢？”时，我们会把“主语”信息中的小张忘掉，这个操作就是通过遗忘门实现的。

然后，要确定需要把什么新信息存放在当前内容中，例如前面的例子中，我们把小张“忘掉”后，需要把主语信息换成小李，这个“增加”操作是通过输入门实现的。而对于不同任务而言，我们需要将当前信息整理输出以方便做决策，这个整理输出信息的过程，是通过输出门实现的。LSTM如下图右所示。

图1 左：经典循环神经网络，右：长短时记忆网络

在实际操作中，门是通过激活函数实现的：给定一个输入值x，通过sigmoid变换，可以的到一个值域在[0,1]之间的值，若x大于0，则输出值大于0.5，若x小于0，则输出值小于0.5。

实际中“门”的效果如何？

门是否真的具有我们上述描述的意义呢？这也是我们这篇论文的出发点。为了探究这个问题，我们分析了IWSLT14德语-英语的翻译任务，这个翻译任务的模型是基于LSTM的端到端（sequence-to-sequence）结构。

我们在训练集中随机抽取10000对平行语料，画出在这些语料上LSTM输入门与遗忘门的取值分布直方图，如下图所示。

图2 输入门与遗忘门取值分布

从图中可以清晰地看到，很大一部分门的取值都在0.5附近。换句话说，LSTM中的门都处于一种模棱两可的“半开半关”的状态。这种现象与LSTM网络的设计有所出入：这些门并没有显式地控制信息的记忆与遗忘，而是以某种方式“记住”了所有的信息。与此同时，许多工作也指出LSTM中的大部分门都很难找到实际意义，这也进一步印证了我们的发现（相关讨论详见文末论文）。

“二值化”的门结构

从上面的例子中可以看到，虽然LSTM在翻译任务中取得了很好的效果，但是门并没有想象中的明显作用。同时也有一些前人的工作指出：LSTM的绝大多数维度并没有明显的可解释信息。那么如何能够学到一个更好的LSTM呢？这个问题引领我们去挖掘门结构更大的价值：既然门是一个开关的概念，那么有没有可能学习出一个接近“二值化”（binary-valued）的LSTM呢？一个接近“二值化”的门（binary-valued gate）有以下几点好处：

1. 门的作用更加符合真实意义下门的概念：通常意义下，门其实更多的是指其“开”、“关”两种状态。而我们去学习一个接近“二值化”的门的目的，也与LSTM的核心思想非常一致。

2. “二值化”更适合模型压缩：如果门的值非常接近0或者1，说明sigmoid函数的输入值x是个很大的正数，或者很小的负数。这时输入值x的微小改变对输出值影响甚微，由于输入值x通常也是参数化的，所以“二值化”可以方便对于这部分参数的压缩。通过实验我们发现，即使达到很大的压缩比，我们的模型仍然有很好的效果。

3. “二值化”带来更好的可解释性：要求门的输出值接近0或1，会对模型本身有更高的要求。在信息取舍的过程中，某个节点保留或者遗忘掉该维度全部信息。我们认为这种学习得到的门更能体现自然语言的结构、内容以及内部逻辑，如前面提到的关于吃饭的例子。

如何让训练后的模型的门接近二值化？我们借鉴了ICLR17上关于变分法（variantional method）的一个新进展：Categorical Reparameterization with Gumbel-Softmax。简单而言，将门的输出“二值化”的最好办法是训练一个随机神经网络（stochastic neural network），其中门的输出是一个概率p，在伯努利分布中得到0/1的随机采样，借此去得到不同位置取0/1时的损失，进而优化参数得到最优p。而在隐层节点上进行离散操作时，梯度回传遇到问题，我们采用的方法就是用Gumbel-Softmax Estimator近似多项分布的概率密度函数，进而达到既可学习又方便优化的目的（具体方法见文末论文）。我们将这一方法命名为Gumbel-Gate LSTM，简称G2-LSTM。

准确率、可压缩性与可解释性

我们在LSTM网络的两个经典应用——语言模型和机器翻译上测试了这一方法，在准确率、可压缩性与可解释性三方面与之前的LSTM模型进行比较。

准确率

语言模型是LSTM网络最基本的应用之一。语言模型要求LSTM网络根据一句话当中之前已知的词语准确预测下一个词的选取。我们使用广泛使用的Penn Treebank数据集作为训练语料，该训练集总共包含约一百万个词。语言模型一般使用perplexity作为评价指标，perplexity越小说明模型越精准，实验结果如下图所示。

图3 语言模型实验结果

从图中可以看到，通过将LSTM中的门进行“二值化”，模型的表现有所提升：我们模型的perplexity为56.1，与基线模型的perplexity57.3相比，有1.2的提升。而在加入了测试时后处理（continuous cache pointer）的情况下，我们的模型达到了52.1，较基线模型的52.8有0.7的提升。

机器翻译是目前深度学习应用最为成功的领域之一，而基于LSTM的端到端（sequence-to-sequence）结构是机器翻译中被广泛应用的结构。我们在两个公开数据集：IWSLT14德语到英语数据集和WMT14英语到德语数据集上测试了我们的方法。IWSLT14德英数据集包含约15万句平行语料，WMT14英德数据集包含约450万句平行语料。对于IWSLT14德英数据集，我们使用了两层编码器-解码器（encoder-decoder）结构；而由于WMT14英德数据集大小更大，我们使用了更大的三层编码器-解码器结构。机器翻译任务一般由测试集上的BLEU值作为最后的评价标准，BLEU值越高说明翻译质量越高，机器翻译的实验结果下图所示。

图4 机器翻译实验结果

与语言模型的实验结论类似，我们的模型在机器翻译上的表现同样有所提升：在IWSLT14德英数据集上，我们模型的BLEU值达到了31.95，比基线模型高0.95；而在WMT14德英数据集上，我们模型的BLEU值为22.43，比基线模型高0.54。

可压缩性

将模型进行“二值化”能够使得我们的模型对于参数的扰动更加鲁棒。因此，我们比较了不同模型在参数压缩下的性能。我们采用了两种方式对与门相关的参数进行压缩：

精度压缩。我们首先限制了参数的精度（使用round函数），例如当公式中的r取0.1时，所有的模型参数都仅被保留一位小数精度。在这之后，我们进一步控制了参数取值的范围（使用clip函数），将所有取值大于c的参数都变为c，将所有取值小于-c的参数都变为-c。由于两个任务的参数取值范围不太相同，在语言模型上，我们设置r=0.2，c=0.4；在机器翻译上，我们设置r=0.5，c=1.0。这使得所有的参数最终将只能取5个值

低秩压缩。我们利用奇异值分解（singular value decomposition），将参数矩阵分解为两个低秩矩阵的乘积，这能够显著减少模型大小，并且能够加快矩阵乘法，从而提高模型运行速度。

图5 压缩后实验结果

具体的实验结果如上图所示。我们可以看到，不论在哪种情况下，我们的模型都显著优于压缩后的模型，这说明这一模型的鲁棒性较之前的LSTM有大幅度的提升。

可解释性

除了比较数值实验结果外，我们进一步地观察了模型中门的取值，用同样的语料画出了我们的模型中门的取值分布直方图，如下图所示。

图6 输入门与遗忘门取值分布

从图中我们可以看到，大部分输入门的取值都在1.0附近，这意味着我们的模型接受了大部分的输入信息；而遗忘门的取值都集中在0.0或1.0附近，这意味着我们训练后得到的遗忘门确实做到了选择性地记忆/遗忘信息。这些观察都证明了我们的训练算法确实能够让门的取值更加靠近0/1两端。

除了观察网络中门的取值在数据集上的分布情况，我们还在训练集中随机抽取的几条句子上观察了每个时刻门的平均取值，如下图所示。

图7 样例分析

从图中我们可以看到，传统LSTM网络的输入门取值较为平均，并且对于一些有意义的词（例如“wrong”），传统LSTM的平均输入门取值都较小，这很不利于模型获取关于这个词的信息，最终将使模型产生不好的翻译效果。而在我们的模型中，输入门的取值都很大，这意味着大部分词的信息都被LSTM网络接受。另一方面，在我们提出的模型中，遗忘门取值较小的词都是一些功能词，例如连词（“and”）或标点符号，这说明我们的模型能够正确判断句子的边界，来清空模型的之前的记忆，来获取新的信息。

了解更多细节，请访问下面链接或点击阅读原文访问我们的论文：

Zhuohan Li, Di He, Fei Tian, Wei Chen, Tao Qin,Liwei Wang, and Tie-Yan Liu. "Towards Binary-Valued Gates for Robust LSTM Training." ICML 2018.

论文链接：https://arxiv.org/abs/1806.02988

作者简介：

李卓翰，北京大学信息科学技术学院2015级本科生，在微软亚洲研究院机器学习组实习。主要研究方向为机器学习。主要关注深度学习算法设计，及其在不同任务场景下的应用。