来源:期刊VIP网所属分类:人力资源管理发布时间:2020-04-15浏览:次
摘要:长短时记忆LSTM神经网络的工作原理虽有记载,但究其物理过程很多资料都未解释清楚,该文以学校人才培养为.例,将LSTM网络类比为通过多年办学的吐故纳新,将成功的经验长期继承下来,而把逐年的新贡献又增加上去,如此循环,就把多级LSTM的级联展现在读者面前。
关键词:长短时记忆LSTM;遗忘门f;输入门i;输出门Q,
推荐阅读:人才培养论文题目 参考文献
1 背景
一谈到神经网络的深度学习似乎就高不可攀,深不可测,其实它都是为了解决日常生活中的实际问题。例如四川大学锦城学院从2005年开办以来到今天已有14年的历史,若把每年的人才培养工作总结进行整理,会发现它都是在原有的基础状态ht-1和已有信息Ct-1之上,随着科学技术的发展和社会的进步在不断地更新前进,这就可以看作是一个长短时记忆LSTM模型。因此,本文立足于高校的人才培养,结合LSTM神经网络,设计一个关于人才培养的LSTM模型,以更直观的形式来阐述LSTM的工作原理。
2 LSTM网络
长短时记忆网络[1-2](Long Short-Term Memory,LSTM),是循环神经网络[3]的一种变体,可以有效地解决简单循环神经网络的梯度爆炸或消失问题。LSTM网络结构如图1所示。
LSTM网络引入一个新的记录信息的Ct专门进行循环信息传递,同时输出信息给隐藏层的外部状态h1。LSTM网络中的门是一种软门,取值在(0,1)之间,表示以一定的比例运行信息通过。其中遗忘门f1,控制上一时刻的信息Ct-1需要遗忘多少;输入门it,控制当前时刻的信息有多少需要保存;Ct表示新增信息;输出门Qt,控制当前时刻的信息保留多少輸出给外部状态ht。
在LSTM网络中,记忆单元C可以在某个时刻捕捉到某个关键信息,并有能力将关键信息保存一定的时间间隔。记忆单元C中保存信息的生命周期要长于短期记忆,但又远远短于长期记忆,因此称为长的短期记忆。
关于LSTM网络中的工作原理将在下一节中进行详细介绍。
3 LSTM人才培养模型设计
对于高校的人才培养,使用LSTM可进行如下设计[4]。
若设,
①Ct-1:是已有信息;
②ht_1:是目前的状态;
③b:是基本设施,师资+大楼+设备;
④xt;是当今采取的办法;
⑤w:是对目前状态和采取办法的重视程度(权重因子)。
则可求得下一年的信息Ct是原有信息Ct-1(长时记忆)乘上一个遗忘系数ft后再加上新增信息Ct(短时记忆)乘上一个输入系数it之后的和即:
这就是长短时记忆的由来。
而新的输出状态ht是Ct经tanh(Ct)这个非线性变换后再乘以一个输出系数Qt的结果,即:
是由ht-1和xt与wt作卷积运算后再作一个从0到1的非线性遗忘门,用以控制原有信息Ct-1的输出比例。
是由ht-1和xt与wc作卷积运算后再作一个从-1到1的非线性变换后获得的新增信息。
是由ht-1和xt,与wi作卷积运算后再作一个从0到1的非线性输入门,用以控制新增信息C,的输出比例。
是由ht-1和xt与w0作卷积运算后再作一个从0到1的非线性输出门,用以控制tanh(Ct)的输出比例。
注意:
设net=wrh,-1+w.x+b,是执行两序列之卷积运算用以寻找二者之间的相似性。
则8(net)=叫0~1的非线性激活函数[5],是为了获得更多的高频信息。
tanh(net)=叫-1~1的非线性激活函数,是为了获得更多归一化的高频信息。
当net=wrh-1 + wx+ b=0.35h-1 + 0.45x+0.1时,再取合适的ht-1和xt使之等于2.2或0.81时,就有δ(2.2)=0.9,表示遗忘门将长时记忆Ct-1保留90%,而遗忘10%,如图2所示,而tanh(0.81)=0.9,表示新增短时记忆C,保留90%,如图3所示。
则由(1)~(6)式构成一个LSTM人才培养的模型如图4所示。
4 结束语
总之,学校的人才培养注重的是德才兼备,其中德行的培养是长期积累的过程为ht-1,而培养的办法是不断学习的过程为x。在学校培养学生的过程中,学校提供的教学设施,例如师资、大楼、设备等为b。为提高学生素质而制定的培养方案、管理制度、激励措施等的重视程度和执行力度为w。那么LSTM人才培养的循环网络可以解释为,学校为培养高素质的、全面发展的人才,应保留前面积累的成功经验,再结合科技的发展进行教学改革、增强设施建设、加强师资队伍建设等,通过实践去糙留精,以此往复,达到培养德才兼备的学生之目的。
参考文献:
[1]张晨阳,韦增欣,郜星军.基于LSTM模型的数学机理分析实证研究[J].中国管理信息化,2019,22(15):93-97..
[2]吴岸城.神经网络与深度学习[M].北京:电子工业出版社,2016.
[3]张学工.模式识别[M].3版.北京:清华大学出版社,2010.[4]Martin T.神经网络设计[M].章毅,译.北京:机械工业出版社,2018.
[5]lan,Goodfellow,Yoshua,等.深度学习[M].北京:人民邮电出版社,2017.
期刊VIP网,您身边的高端学术顾问
文章名称: 基于长短时记忆网络的人才培养模型设计
文章地址: http://www.qikanvip.com/renliziyuanguanli/51244.html