双向 LSTM 和 LSTM 有什么区别？

LSTM 的核心是使用隐藏状态保留来自已经通过它的输入的信息。

单向 LSTM 只保留过去的信息，因为它看到的唯一输入来自过去。

使用双向将以两种方式运行您的输入，一种从过去到未来，一种从未来到过去，这种方法与单向的不同之处在于，在向后运行的 LSTM 中，您可以保留来自未来的信息，并使用两种隐藏状态结合起来能够在任何时间点保存过去和未来的信息。

它们适合的是一个非常复杂的问题，但是 BiLSTM 显示出非常好的结果，因为它们可以更好地理解上下文，我将尝试通过一个例子来解释。

假设我们尝试预测句子中的下一个单词，在高层次上，单向 LSTM 将看到的是

男孩们去了......

并且将尝试仅通过此上下文预测下一个单词，使用双向 LSTM，您将能够看到更多信息，例如

前向 LSTM：

男孩们去了...

后向 LSTM：

...然后他们从游泳池里出来了

您可以看到，使用来自未来的信息，网络可能更容易理解下一个单词是什么。

---

添加到 Bluesummer 的答案中，这是您如何在不调用 BiLSTM 模块的情况下从头开始实现双向 LSTM。这可能更好地对比单向和双向 LSTM 之间的差异。如您所见，我们将两个 LSTM 合并以创建一个双向 LSTM。

您可以使用任一 {'sum', 'mul', 'concat', 'ave'} 合并前向和后向 LSTM 的输出。

left = Sequential()
left.add(LSTM(output_dim=hidden_units, init='uniform', inner_init='uniform',
               forget_bias_init='one', return_sequences=True, activation='tanh',
               inner_activation='sigmoid', input_shape=(99, 13)))
right = Sequential()
right.add(LSTM(output_dim=hidden_units, init='uniform', inner_init='uniform',
               forget_bias_init='one', return_sequences=True, activation='tanh',
               inner_activation='sigmoid', input_shape=(99, 13), go_backwards=True))

model = Sequential()
model.add(Merge([left, right], mode='sum'))

model.add(TimeDistributedDense(nb_classes))
model.add(Activation('softmax'))

sgd = SGD(lr=0.1, decay=1e-5, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)
print("Train...")
model.fit([X_train, X_train], Y_train, batch_size=1, nb_epoch=nb_epoches, validation_data=([X_test, X_test], Y_test), verbose=1, show_accuracy=True)

---

与 LSTM 相比，BLSTM 或 BiLSTM 有两个网络，一个在 forward 方向访问 past 信息，另一个在 reverse 方向访问 future。 wiki

根据官方文档在此处添加了一个新类 Bidirectional：https://www.tensorflow.org/api_docs/python/tf/keras/layers/Bidirectional

model = Sequential()
model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5,
10)))

和激活函数可以像这样添加：

model = Sequential()
model.add(Bidirectional(LSTM(num_channels, 
        implementation = 2, recurrent_activation = 'sigmoid'),
        input_shape=(input_length, input_dim)))

使用 IMDB 数据的完整示例将是这样的。4 epoch 后的结果。

Downloading data from https://s3.amazonaws.com/text-datasets/imdb.npz
17465344/17464789 [==============================] - 4s 0us/step
Train...
Train on 25000 samples, validate on 25000 samples
Epoch 1/4
25000/25000 [==============================] - 78s 3ms/step - loss: 0.4219 - acc: 0.8033 - val_loss: 0.2992 - val_acc: 0.8732
Epoch 2/4
25000/25000 [==============================] - 82s 3ms/step - loss: 0.2315 - acc: 0.9106 - val_loss: 0.3183 - val_acc: 0.8664
Epoch 3/4
25000/25000 [==============================] - 91s 4ms/step - loss: 0.1802 - acc: 0.9338 - val_loss: 0.3645 - val_acc: 0.8568
Epoch 4/4
25000/25000 [==============================] - 92s 4ms/step - loss: 0.1398 - acc: 0.9509 - val_loss: 0.3562 - val_acc: 0.8606

BiLSTM 或 BLSTM

import numpy as np
from keras.preprocessing import sequence
from keras.models import Sequential
from keras.layers import Dense, Dropout, Embedding, LSTM, Bidirectional
from keras.datasets import imdb


n_unique_words = 10000 # cut texts after this number of words
maxlen = 200
batch_size = 128

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=n_unique_words)
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
x_test = sequence.pad_sequences(x_test, maxlen=maxlen)
y_train = np.array(y_train)
y_test = np.array(y_test)

model = Sequential()
model.add(Embedding(n_unique_words, 128, input_length=maxlen))
model.add(Bidirectional(LSTM(64)))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

print('Train...')
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=4,
          validation_data=[x_test, y_test])

---

双向 LSTM 的另一个用例可能是文本中的单词分类。他们可以看到这个词的过去和未来的上下文，并且更适合对这个词进行分类。

---

它也有助于时间序列预测问题，例如预测家庭的用电量。但是，我们也可以在其中使用 LSTM，但双向 LSTM 也会做得更好。

---