lstm能與哪些方法相結合(為什么LSTM在參數(shù)初始化時要使用SVD方法使參數(shù)正交)
1.為什么 LSTM 在參數(shù)初始化時要使用 SVD 方法使參數(shù)正交
首先，除了 orthogonal initialization 和 uniform initialization，現(xiàn)在常用的還有 Gaussian initialization。不常用的還有 identity initialization 和現(xiàn)在“已經被時代拋棄”的 pretraining with autoencoder。這些方法在不同的場景下都被人選擇了。個人感覺，比較復雜的 LSTM 用 orthogonal initialization 的人比較多，而在 research paper 討論一個小 task 時，我看到的大部分還是說用 uniform/Gaussian。這里可能的直觀的原因是后者的 layer 和 magnitude 比較少/小。
說到 layer 比較少，其實我是想說，orthogonal initialization，個人認為對于 LSTM (deep, high-dimensitional, non-convex)比較有效的原因是，（1）可以很方便地減緩 gradient vanishing/exploding problem 和 activation functions 的 saturation。因為 orthogonal matrix 的所有 vectors 都是 orthonormal 的，也就是不僅 orthogonal，還 magnitude 為 1. 這樣，在計算時候，乘上這個 matrix，就可以修正 vanishing 也可以重置 saturation。(2)這個問題應該是和 saddle point 有關系，復雜的 LSTM 受 saddle point structures 帶來的各種問題更嚴重，而基于 SVD/QR 的 orthogonal initialization 可以 decouple networks 之間的依賴，消除 non-global minima。(3)當然還有這幾種 initialization 都用來破壞 symmetry。
上面這是可被證實的，下面來點個人的猜測：這和 weight variation 也有關系。
綜上，有些人覺得這幾種方法沒區(qū)別，有人覺得有，完全是 case-by-case。我個人在實踐過程中，即使是小網(wǎng)絡，也覺得有區(qū)別。
2.如何理解LSTM后接CRF
有一個答案給的是一篇acl2016的論文，采用的神經網(wǎng)絡結構是 cnn + lstm +crf的經典架構，是一個很成熟的系統(tǒng)
目前來說，實體識別的應用領域，lstm+crf是一種標配了，短期內我認為只要在attention方面沒有很大的突破，這一框架都不會變化
要理解為什么lstm后面要接crf層，首先應該理解的是crf的功能
題主問這個問題，想必是明白lstm的output，我們姑且不討論原理，lstm在序列標注的問題，落實到題主說的ner，也就是一個seq2seq，在英文中，可以是對每一個input的單詞，對例如bieo的四個標簽進行預測，假設當前輸出的事100個words，那個輸出的就是100*4的一個概率預測，這應該就是答主的疑惑，我們直接用一個分類器，四個里面選一個就好了，為什么要再接crf呢？
那么，我們首先考慮我們使用lstm的初衷，就是為了考慮上下文來分析當前的tag標注，其實crf也是接近的原理，crf意會一點的描述其實有點像一張概率圖，在single crf中，你需要做的是盡可能的對每個對象挖掘多的特征，然后學習他們之間的一種“銜接”關系，在lstm后面加上crf，相當于對lstm抽象過的一種語言關系來進行crf訓練，可以使用那篇論文上的likehood函數(shù)，當然使用labelwise的也可以，這也屬于調參的一部分
總之我個人的理解，crf相當于對lstm信息的再利用，利用效率高于一個簡單的分類器，實際情況也適合這一點，題主不妨找個實例測測玩玩，也就明白了
3.為什么 LSTM 在參數(shù)初始化時要使用 SVD 方法使參數(shù)正交
首先，除了 orthogonal initialization 和 uniform initialization，現(xiàn)在常用的還有 Gaussian initialization。
不常用的還有 identity initialization 和現(xiàn)在“已經被時代拋棄”的 pretraining with autoencoder。這些方法在不同的場景下都被人選擇了。
個人感覺，比較復雜的 LSTM 用 orthogonal initialization 的人比較多，而在 research paper 討論一個小 task 時，我看到的大部分還是說用 uniform/Gaussian。這里可能的直觀的原因是后者的 layer 和 magnitude 比較少/小。
說到 layer 比較少，其實我是想說，orthogonal initialization，個人認為對于 LSTM (deep, high-dimensitional, non-convex)比較有效的原因是，（1）可以很方便地減緩 gradient vanishing/exploding problem 和 activation functions 的 saturation。因為 orthogonal matrix 的所有 vectors 都是 orthonormal 的，也就是不僅 orthogonal，還 magnitude 為 1. 這樣，在計算時候，乘上這個 matrix，就可以修正 vanishing 也可以重置 saturation。
(2)這個問題應該是和 saddle point 有關系，復雜的 LSTM 受 saddle point structures 帶來的各種問題更嚴重，而基于 SVD/QR 的 orthogonal initialization 可以 decouple networks 之間的依賴，消除 non-global minima。(3)當然還有這幾種 initialization 都用來破壞 symmetry。
上面這是可被證實的，下面來點個人的猜測：這和 weight variation 也有關系。綜上，有些人覺得這幾種方法沒區(qū)別，有人覺得有，完全是 case-by-case。
我個人在實踐過程中，即使是小網(wǎng)絡，也覺得有區(qū)別。
4.如何理解LSTM后接CRF
有一個答案給的是一篇acl2016的論文，采用的神經網(wǎng)絡結構是 cnn + lstm +crf的經典架構，是一個很成熟的系統(tǒng)目前來說，實體識別的應用領域，lstm+crf是一種標配了，短期內我認為只要在attention方面沒有很大的突破，這一框架都不會變化要理解為什么lstm后面要接crf層，首先應該理解的是crf的功能題主問這個問題，想必是明白lstm的output，我們姑且不討論原理，lstm在序列標注的問題，落實到題主說的ner，也就是一個seq2seq，在英文中，可以是對每一個input的單詞，對例如bieo的四個標簽進行預測，假設當前輸出的事100個words，那個輸出的就是100*4的一個概率預測，這應該就是答主的疑惑，我們直接用一個分類器，四個里面選一個就好了，為什么要再接crf呢？那么，我們首先考慮我們使用lstm的初衷，就是為了考慮上下文來分析當前的tag標注，其實crf也是接近的原理，crf意會一點的描述其實有點像一張概率圖，在single crf中，你需要做的是盡可能的對每個對象挖掘多的特征，然后學習他們之間的一種“銜接”關系，在lstm后面加上crf，相當于對lstm抽象過的一種語言關系來進行crf訓練，可以使用那篇論文上的likehood函數(shù)，當然使用labelwise的也可以，這也屬于調參的一部分總之我個人的理解，crf相當于對lstm信息的再利用，利用效率高于一個簡單的分類器，實際情況也適合這一點，題主不妨找個實例測測玩玩，也就明白了。
