上一篇文章中我们从损失值的可视化中感性的认识到RNN很难将之前时序的信息保留下来，当pad_size过长时，会出现梯度消失，导致模型参数根本就不更新，从而不收敛的现象。那么他的优化LSTM可以很大程度上缓解这个问题。
本文主要讨论一下LSTM网络结构在torch中的用法和相比于传统RNN的优势。
模型结构如下，在models文件夹中增加LSTM.py模型文件。LSTM和RNN的接口参数十分相似，很好理解。
python
# coding: UTF-8
import torch
import torch.nn as nn
import numpy as np
class Config(object):
"""配置参数"""
def __init__(self, dataset, embedding):
self.model_name = 'LSTM'
self.train_path = dataset + '/data/train.txt' # 训练集
self.dev_path = dataset + '/data/dev.txt' # 验证集
self.test_path = dataset + '/data/test.txt' # 测试集
self.class_list = [x.strip() for x in open(
dataset + '/data/class.txt', encoding='utf-8').readlines()] # 类别名单
self.vocab_path = dataset + '/data/vocab.pkl' # 词表
self.save_path = dataset + '/saved_dict/' + self.model_name + 'ckpt' # 模型训练结果
self.log_path = dataset + '/log/' + self.model_name
self.embedding_pretrained = torch.tensor(
np.load(dataset + '/data/' + embedding)["embeddings"].astype('float32')) \
if embedding != 'random' else None # 预训练词向量
self.device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 设备
self.dropout = 0.3 # 随机失活
self.require_improvement = 10000 # 若超过10000batch效果还没提升，则提前结束训练
self.num_classes = len(self.class_list) # 类别数
self.n_vocab = 0 # 词表大小，在运行时赋值
self.num_epochs = 7 # epoch数
self.batch_size = 64 # batch size
self.pad_size = 32 # 每句话处理成的长度(短填长切)
self.learning_rate = 1e-3 # 学习率
self.embed = self.embedding_pretrained.size(1) \
if self.embedding_pretrained is not None else 300 # 字向量维度， 若使用了预训练词向量，则维度统一
self.hidden_size = 128 # rnn隐藏层
self.num_layers = 2 # rnn层数，注意RNN中的层数必须大于1，dropout才会生效
class Model(nn.Module):
def __init__(self, config):
super(Model, self).__init__()
if config.embedding_pretrained is not None:
self.embedding = nn.Embedding.from_pretrained(config.embedding_pretrained, freeze=False)
else:
self.embedding = nn.Embedding(config.n_vocab, config.embed, padding_idx=config.n_vocab - 1)
self.rnn = nn.LSTM(config.embed, config.hidden_size, config.num_layers, bidirectional=True,
batch_first=True, dropout=config.dropout)
self.fc = nn.Linear(config.hidden_size * 2, config.num_classes)
def forward(self, x):
# 将原始数据转化成密集向量表示 [batch_size, seq_len, embedding]
out = self.embedding(x[0])
out, hidden_ = self.rnn(out)
# out[:, -1, :] seq_len最后时刻的输出等价 hidden_
out = self.fc(out[:, -1, :])
return out接着上篇文章继续实验，主要参数如下：
batch_size = 64 pad_size = 32 learning_rate = 1e-3
训练过程
在RNN中这个参数设置是不收敛的，可是在LSTM中确是收敛的，此参数下是没有发生梯度消失的，模型的权重也得到了更新，同等条件下，LSTM确实会比RNN要好很多。
混淆矩阵如下，测试集合上的准确率还是不错的。
batch_size = 256 pad_size = 32 learning_rate = 1e-3
训练过程
batch_size增加到256的时候，损失曲线下降更平滑，收敛时间更快。
混淆矩阵如下
相同实验条件下，LSTM确实会比RNN更有优势，但是LSTM的网络结构要比RNN复杂的多，我们只要明白他就是另一个RNN而已，只是他优化了RNN的梯度消失的问题。最后LSTM没有从根本上解决这个问题。
最近在看Transformer的架构，发现里面有一个模块叫规范化层，作用就是有助于训练过程的稳定和加速收敛。查阅文档发现LSTM层与层之间是没有内置规范化处理的，于是抱着试一试的态度，将LSTM最后一层隐藏状态的输出进行规范化后送入全连接层，验证一下这个所谓的规范化层的作用。结果发现确实不错。
看一下nn.LayerNorm的主要接口，注意这里的规范化层不是我们常见的最值归一化或均值归一化。
torch中源码的公式和参数说明如下
y = x − E [ x ] V a r [ x ] + ϵ ∗ γ + β y = \frac{x - \mathrm{E}[x]}{ \sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta y=Var[x]+ϵ x−E[x]∗γ+β
layer_norm = nn.LayerNorm(normalized_shape, eps=eps, elementwise_affine=True)
# 参数说明：
normalized_shape: 指定要进行归一化的特征维度大小，不包括批量维度batch size
eps: 一个小数值，默认为 1e-5，是为了防止除零操作添加的一个很小的常数，确保数值稳定性。
elementwise_affine: 一个布尔值，默认为 True，表示是否在归一化之后应用一个可学习的仿射变换（即缩放和平移操作），通常情况下保持默认值即可
所以，LayerNorm 不仅进行了类似于均值归一化的标准化处理，还可能包括额外的线性变换步骤。
代码局部修改如下，1）在LSTM.py的Model类中增加规范化层初始化，forward函数中对指定的维度进行规范化。2）修改train_eval.py文件下init_network函数的权重初始化，权重采用默认设置，不需要额外处理。
完整代码见github
增加规范化层 + batch_size = 64pad_size = 32 learning_rate = 1e-3
损失图真的太惊艳了，模型收敛稳定且迅速。
在看下相同参数下没有增加规范化层的损失图。
（没有对比就没有伤害）
参考