{"id":410905,"date":"2024-06-29T21:39:28","date_gmt":"2024-06-29T21:39:28","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=410905"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=410905","title":{"rendered":"<span>\u0427\u0430\u0441\u0442\u044c 2. \u041f\u0435\u0440\u0435\u0432\u043e\u0434 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438 \u043d\u0430 \u0431\u0430\u0437\u0435 Keras LSTM \u043d\u0430 \u0440\u0430\u0431\u043e\u0442\u0443 \u0441 \u043c\u0430\u0442\u0440\u0438\u0447\u043d\u044b\u043c\u0438 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f\u043c\u0438<\/span>"},"content":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u0412 <a href=\"https:\/\/habr.com\/ru\/post\/719230\/\" rel=\"noopener noreferrer nofollow\">\u043f\u0435\u0440\u0432\u043e\u0439 \u0447\u0430\u0441\u0442\u0438 <\/a>\u0447\u0430\u0441\u0442\u0438 \u044f \u043f\u0435\u0440\u0435\u0432\u0435\u043b \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u043f\u043e\u043b\u043d\u043e\u0441\u0432\u044f\u0437\u043d\u043e\u0439 \u0441\u0435\u0442\u0438 \u043d\u0430 \u0431\u0430\u0437\u0435 Keras \u043d\u0430 \u0440\u0430\u0431\u043e\u0442\u0443 \u0441 \u043c\u0430\u0442\u0440\u0438\u0447\u043d\u044b\u043c\u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f\u043c\u0438. \u041c\u043e\u0434\u0435\u043b\u044c \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u0430 \u0434\u043b\u044f \u043d\u043e\u0432\u043e\u0441\u0442\u043d\u043e\u0433\u043e \u0430\u0433\u0440\u0435\u0433\u0430\u0442\u043e\u0440\u0430 \u0441 \u0446\u0435\u043b\u044c\u044e \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u0438 \u043d\u0435\u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u043d\u043e\u0432\u043e\u0441\u0442\u0435\u0439. <\/p>\n<p>\u041d\u043e \u0435\u0441\u043b\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c <a href=\"https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn\" rel=\"noopener noreferrer nofollow\">\u0441\u0442\u0430\u0442\u044c\u044e<\/a>-\u0440\u0443\u043a\u043e\u0432\u043e\u0434\u0441\u0442\u0432\u043e \u043e\u0442 tensorflow, \u043c\u043e\u0436\u043d\u043e \u0443\u0432\u0438\u0434\u0435\u0442\u044c, \u0447\u0442\u043e \u043e\u0434\u043d\u043e\u0439 \u0438\u0437 \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0430\u0446\u0438\u0439 \u043f\u043e \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0442\u0435\u0441\u0442\u0430 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0441\u0435\u0442\u0435\u0439 \u0434\u043e\u043b\u0433\u043e\u0439 \u043a\u0440\u0430\u0442\u043a\u043e\u0441\u0440\u043e\u0447\u043d\u043e\u0439 \u043f\u0430\u043c\u044f\u0442\u0438 (LSTM). <\/p>\n<p>\u0414\u043b\u044f \u043c\u043e\u0435\u0439 \u0437\u0430\u0434\u0430\u0447\u0438 \u0441\u0435\u0442\u044c \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u043e\u0431\u043b\u0430\u0434\u0430\u0435\u0442 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u044b\u043c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e\u043c, \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0443\u0435\u043c\u043e\u0441\u0442\u044c\u044e \u0438 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 (\u043e\u0431\u044a\u044f\u0441\u043d\u0438\u043c\u043e\u0435 \u043f\u0435\u0440\u0435\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0432\u043b\u0438\u044f\u043d\u0438\u0435 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0441\u0435\u0442\u0438 \u043d\u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0438 \u0442.\u0434.). \u041d\u0443 \u0438 \u043d\u0435\u043c\u0430\u043b\u043e\u0432\u0430\u0436\u043d\u043e &#8212; \u0431\u044b\u0441\u0442\u0440\u043e \u043e\u0431\u0443\u0447\u0430\u0435\u0442\u0441\u044f, \u0432 \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043e\u0442 LSTM. <\/p>\n<p>\u041d\u043e \u0440\u0430\u0434\u0438 &#171;\u0430\u043a\u0430\u0434\u0435\u043c\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e&#187; \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0430 \u043e\u0431\u0443\u0447\u0438\u043c \u0441\u0435\u0442\u044c c LSTM \u0434\u043b\u044f \u0431\u0438\u043d\u0430\u0440\u043e\u043d\u043e\u0439 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0442\u0435\u043a\u0441\u0442\u0430 \u0438 \u043f\u0435\u0440\u0435\u0432\u0435\u0434\u0435\u043c \u0435\u0451 \u0442\u0430\u043a\u0436\u0435 \u043d\u0430 \u0440\u0430\u0431\u043e\u0442\u0443 \u0442\u043e\u043b\u044c\u043a\u043e \u0441 \u043c\u0430\u0442\u0440\u0438\u0446\u0430\u043c\u0438 \u0438 \u043f\u0430\u043a\u0435\u0442\u043e\u043c numpy. \u042d\u0442\u043e \u0442\u0430\u043a\u0436\u0435 \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e \u043f\u043e\u043a\u0430\u0436\u0435\u0442, \u043a\u0430\u043a \u0443\u0441\u0442\u0440\u043e\u0435\u043d\u044b \u044f\u0447\u0435\u0439\u043a\u0438 LSTM. <\/p>\n<h2>\u0421\u0435\u0442\u044c LSTM<\/h2>\n<p>\u0418\u0442\u0430\u043a, tensorflow \u0440\u0430\u0441\u0441\u043c\u0430\u0442\u0440\u0438\u0432\u0430\u0435\u0442 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u0441\u0435\u0442\u0438:<\/p>\n<pre><code class=\"python\">model = tf.keras.Sequential([   encoder,      tf.keras.layers.Embedding(         input_dim=len(encoder.get_vocabulary()),         output_dim=64,         # Use masking to handle the variable sequence lengths         mask_zero=True),     tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64)),     tf.keras.layers.Dense(64, activation='relu'),     tf.keras.layers.Dense(1) ])<\/code><\/pre>\n<p>\u0412\u043e\u0442 \u043a\u0430\u043a \u043e\u043d\u0430 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0432 \u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435:<\/p>\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/6ad\/83b\/5c6\/6ad83b5c6eff7dc207cd9b3269a52465.png\" alt=\"\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0441\u0435\u0442\u0438 \u0441 \u0441\u0430\u0439\u0442\u0430 tensorflow (https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn)\" title=\"\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0441\u0435\u0442\u0438 \u0441 \u0441\u0430\u0439\u0442\u0430 tensorflow (https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn)\" width=\"514\" height=\"543\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/6ad\/83b\/5c6\/6ad83b5c6eff7dc207cd9b3269a52465.png\"\/><\/p>\n<div><figcaption>\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0441\u0435\u0442\u0438 \u0441 \u0441\u0430\u0439\u0442\u0430 tensorflow <br \/>(<a href=\"https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn\" rel=\"noopener noreferrer nofollow\">https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn<\/a>)<\/figcaption><\/div>\n<\/figure>\n<p>\u041c\u043e\u0434\u0443\u043b\u0438 TextVectorization \u0438 <code>tf.keras.layers.Embedding<\/code>\u0442\u0435 \u0436\u0435, \u0447\u0442\u043e \u0431\u044b\u043b\u0438 \u0432 \u043f\u0435\u0440\u0432\u043e\u0439 \u0447\u0430\u0441\u0442\u0438 \u043c\u043e\u0435\u0439 \u0440\u0430\u0431\u043e\u0442\u044b. \u0412\u043a\u0440\u0430\u0442\u0446\u0435 \u043d\u0430\u043f\u043e\u043c\u043d\u044e, \u0447\u0442\u043e TextVectorization \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u0442 \u0441\u043b\u043e\u0432\u0430 \u0432 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0447\u0438\u0441\u043b\u043e\u0432\u044b\u0435 \u0438\u043d\u0434\u0435\u043a\u0441\u044b, \u0430 Embedding \u0437\u0430\u0442\u0435\u043c \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u0442 \u0438\u0445 \u0432 \u043f\u043b\u043e\u0442\u043d\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430. <\/p>\n<p>\u0414\u0430\u043b\u0435\u0435 \u0438\u0434\u0435\u0442 \u0441\u043b\u043e\u0439 LSTM, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0441\u043b\u043e\u044f <code>tf.keras.layers.Bidirectional<\/code> &#171;\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442\u0441\u044f&#187; \u043f\u043e \u0434\u0432\u0443\u043c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f\u043c: \u043e\u0442 \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043a \u043a\u043e\u043d\u0446\u0443 \u0438 \u043d\u0430\u043e\u0431\u043e\u0440\u043e\u0442, \u0430 \u0437\u0430\u0442\u0435\u043c \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u044f\u0435\u0442 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b. \u041d\u043e \u0434\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043d\u0430\u0434\u043e \u0441\u043c\u043e\u0434\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u043f\u0440\u043e\u0441\u0442\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 &#8212; \u0431\u0435\u0437 <code>tf.keras.layers.Bidirectional<\/code>, \u0430 \u0437\u0430\u0447\u0435\u043c \u0443\u0436\u0435 \u0441 \u043d\u0438\u043c. <\/p>\n<p>\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c:<\/p>\n<pre><code class=\"python\">model = tf.keras.Sequential([    tf.keras.layers.Embedding(         input_dim=len(encoder.get_vocabulary()),         output_dim=64,         mask_zero=True),     tf.keras.layers.LSTM(64),     tf.keras.layers.Dense(64, activation='relu'),     tf.keras.layers.Dense(1, activation='sigmoid') ])<\/code><\/pre>\n<p>\u0414\u043b\u044f \u0432\u0438\u0437\u0443\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u043a\u043e\u0434\u0430 \u043c\u043e\u0434\u0435\u043b\u0438 <code>tf.keras.layers.LSTM<\/code>\u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0442\u0438\u043f\u043e\u0432\u0443\u044e \u0441\u0445\u0435\u043c\u0443 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM. \u041d\u0430 \u043d\u0435\u0439 \u044f \u043f\u043e\u0434\u043f\u0438\u0441\u0430\u043b \u0432\u0441\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u044b \u0434\u043e\u043b\u0436\u043d\u044b \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u044c. <\/p>\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/4e6\/f6a\/630\/4e6f6a630bb8aca8cc9082ece536b0b7.png\" alt=\"\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM\" title=\"\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM\" width=\"349\" height=\"191\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/4e6\/f6a\/630\/4e6f6a630bb8aca8cc9082ece536b0b7.png\"\/><\/p>\n<div><figcaption>\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM<\/figcaption><\/div>\n<\/figure>\n<p>\u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0432\u0435\u0441\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0441\u043b\u043e\u044f \u043d\u0435 \u0442\u0430\u043a \u043f\u0440\u043e\u0441\u0442\u043e \u043a\u0430\u043a \u0434\u043b\u044f \u0441\u043b\u043e\u0435\u0432 Dense \u0438 Embedding &#8212; \u044d\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c (\u0432\u043e\u0442 <a href=\"https:\/\/stackoverflow.com\/questions\/42861460\/how-to-interpret-weights-in-a-lstm-layer-in-keras\" rel=\"noopener noreferrer nofollow\">\u0442\u0443\u0442<\/a> \u043f\u0440\u043e \u044d\u0442\u043e \u0445\u043e\u0440\u043e\u0448\u043e \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043e):<\/p>\n<pre><code class=\"python\"># \u041a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u044f\u0447\u0435\u0435\u043a \u043f\u0430\u043c\u044f\u0442\u0438. \u0417\u0430\u0434\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438 \u043e\u0431\u044a\u044f\u0432\u043b\u0435\u043d\u0438\u0438 \u0441\u043b\u043e\u044f tf.keras.layers.LSTM(units) units = int(int(model.layers[1].trainable_weights[0].shape[1])\/4) print(\"No units: \", units)  W = model.layers[1].get_weights()[0] U = model.layers[1].get_weights()[1] b = model.layers[1].get_weights()[2]  W_i = W[:, :units] W_f = W[:, units: units * 2] W_c = W[:, units * 2: units * 3] W_o = W[:, units * 3:]  U_i = U[:, :units] U_f = U[:, units: units * 2] U_c = U[:, units * 2: units * 3] U_o = U[:, units * 3:]  b_i = b[:units] b_f = b[units: units * 2] b_c = b[units * 2: units * 3] b_o = b[units * 3:]<\/code><\/pre>\n<p>\u0412\u0435\u0441\u0430 <em>W<\/em> \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u043f\u0440\u0438 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f\u0445 \u0441 \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e <em>x<\/em> (\u0442.\u0435. \u0432\u044b\u0445\u043e\u0434\u043e\u043c \u0441\u043b\u043e\u044f Embedding). \u0412\u0435\u0441\u0430 <em>U<\/em> &#8212; \u0434\u043b\u044f \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f <em>h <\/em>\u043f\u0440\u043e\u0448\u043b\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438. <em>b <\/em>&#8212; \u044d\u0442\u043e \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u0435 (bias).<\/p>\n<p>\u0421\u0438\u043c\u0432\u043e\u043b <img loading=\"lazy\" decoding=\"async\" inline=\"true\" class=\"image image-inline\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/f5b\/5b2\/f55\/f5b5b2f5577e3d551720e72501d6b427.png\" width=\"21\" height=\"21\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/f5b\/5b2\/f55\/f5b5b2f5577e3d551720e72501d6b427.png\"\/> \u043e\u0437\u043d\u0430\u0447\u0430\u0435\u0442 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044e <code>np.multiply.<\/code> \u0421\u0438\u043c\u0432\u043e\u043b <img loading=\"lazy\" decoding=\"async\" inline=\"true\" class=\"image image-inline\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/958\/f8e\/1fd\/958f8e1fda3cf20bfef1c1e98f2458ee.png\" width=\"21\" height=\"31\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/958\/f8e\/1fd\/958f8e1fda3cf20bfef1c1e98f2458ee.png\"\/> \u043e\u0431\u044b\u0447\u043d\u043e\u0435 \u043f\u043e\u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043d\u043e\u0435 \u0441\u0443\u043c\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432.  <\/p>\n<p>\u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u0435\u0439 \u0440\u0430\u0431\u043e\u0442\u044b \u044f\u0447\u0435\u0435\u043a LSTM \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u0441 \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f\u0445 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u043e\u0432 \u043e\u0431\u043e\u0437\u043d\u0430\u0447\u0430\u044e\u0442 &#171;\u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435&#187; \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043e\u0432:<br \/>\u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>f&#187;\u00a0\u2014 <\/em>\u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f\/forget gate<em>. <\/em>\u041f\u043e\u00a0\u0441\u0443\u0442\u0438, \u0442\u0443\u0442 \u0441\u00a0\u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0443\u043c\u043d\u043e\u0436\u0435\u043d\u0438\u044f \u043d\u0430\u00a0\u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442 \u043e\u0442 0\u00a0\u0434\u043e 1\u00a0\u0443\u043f\u0440\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u043c \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f <em>\u0421<sub>t<\/sub> <\/em>\u0434\u043b\u044f\u00a0\u0443\u0434\u0430\u043b\u0435\u043d\u0438\u044f \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u043e\u00a0\u043f\u0440\u043e\u0448\u043b\u044b\u0445 \u0448\u0430\u0433\u0430\u0445 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438. \u041a\u043e\u0434 \u0434\u043b\u044f\u00a0\u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f: <\/p>\n<pre><code class=\"python\"># letter - \u044d\u0442\u043e \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0439 \u0441\u0438\u043c\u0432\u043e\u043b \u0438\u0437 \u0441\u043b\u043e\u044f Embedding # h_st - \u0432\u044b\u0445\u043e\u0434 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u044f\u0447\u0435\u0439\u043a\u0438  self.f_t = self.sigmoid(np.dot(letter, self.W_f)                          + np.dot(self.h_st, self.U_f)                          + self.b_f)<\/code><\/pre>\n<p>\u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>i\u00a0&#171;\u2014 <\/em>\u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u043a\u00a0\u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f, \u00ab\u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u0432\u0435\u043d\u0442\u0438\u043b\u044c\u00bb. \u0417\u0434\u0435\u0441\u044c<em> <\/em>\u043d\u0430\u00a0\u043e\u0441\u043d\u043e\u0432\u0435 \u0432\u044b\u0445\u043e\u0434\u0430 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u044f\u0447\u0435\u0439\u043a\u0438 <em>h<sub>t-1<\/sub><\/em> \u0438 \u0432\u0432\u043e\u0434\u0430 x<sub>t<\/sub> \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u0435\u0442\u0441\u044f, \u043a\u0430\u043a\u0438\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0438\u0437\u00a0\u0432\u0432\u043e\u0434\u0430 (x) \u0432\u043e\u00a0\u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u043c \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u0438. \u041a\u043e\u0434:<\/p>\n<pre><code class=\"python\"># letter - \u044d\u0442\u043e \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0439 \u0441\u0438\u043c\u0432\u043e\u043b \u0438\u0437 \u0441\u043b\u043e\u044f Embedding # h_st - \u0432\u044b\u0445\u043e\u0434 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u044f\u0447\u0435\u0439\u043a\u0438  self.i_t = self.sigmoid(np.dot(letter, self.W_i)                          + np.dot(self.h_st, self.U_i)                          + self.b_i)<\/code><\/pre>\n<p> \u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>\u0441&#187;\u00a0\u2014 <\/em>\u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 <em>\u0108<sub>t<\/sub><\/em><\/p>\n<pre><code class=\"python\">self.Ct_t = np.tanh(np.dot(letter, self.W_c)                      + np.dot(self.h_st, self.U_c)                      + self.b_c)<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0432\u0441\u0435 \u0433\u043e\u0442\u043e\u0432\u043e \u0434\u043b\u044f \u0440\u0430\u0441\u0447\u0435\u0442\u0430 \u043d\u043e\u0432\u043e\u0433\u043e \u043a\u043b\u0435\u0442\u043e\u0447\u043d\u043e\u0433\u043e \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f <em>\u0421<sub>t<\/sub><\/em><\/p>\n<pre><code class=\"python\"> self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)<\/code><\/pre>\n<p>\u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>\u043e<\/em>&#187; &#8212; \u0440\u0430\u0441\u0447\u0435\u0442 \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u0433\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f. \u041f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u043c \u0433\u0438\u043f\u0435\u0440\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0442\u0430\u043d\u0433\u0435\u043d\u0441 \u043a \u0442\u0435\u043a\u0443\u0449\u0435\u043c\u0443 \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044e \u044f\u0447\u0435\u0439\u043a\u0438 \u0438 \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u043d\u0430 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u0442\u0435\u043a\u0443\u0449\u0435\u0433\u043e \u0432\u0445\u043e\u0434\u043d\u043e\u0433\u043e \u0441\u0438\u043c\u0432\u043e\u043b\u0430: <\/p>\n<pre><code class=\"python\">self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o)                                       + np.dot(self.h_st, self.U_o)                                      + self.b_o),                         np.tanh(self.state))<\/code><\/pre>\n<p>\u041f\u043e\u043b\u043d\u044b\u0439 \u043a\u043e\u0434 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c.<\/p>\n<pre><code class=\"python\">def lstm(self, data):   # \u0438\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u044f\u0447\u0435\u0439\u043a\u0438 \u0438 \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u0433\u043e \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u043d\u0430 \u043f\u0435\u0440\u0432\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438     self.state=np.zeros(self.units)     self.h_st=np.zeros(self.units)      # \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u043c \u043f\u043e \u0441\u0438\u043c\u0432\u043e\u043b\u0430\u043c \u0432 \u043f\u0440\u044f\u043c\u043e\u043c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0438.      for letter in data:                  self.f_t = self.sigmoid(np.dot(letter, self.W_f) + np.dot(self.h_st, self.U_f) + self.b_f)                  self.i_t = self.sigmoid(np.dot(letter, self.W_i) + np.dot(self.h_st, self.U_i) + self.b_i)                  self.Ct_t = np.tanh(np.dot(letter, self.W_c) + np.dot(self.h_st, self.U_c) + self.b_c)          self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)          self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o) + np.dot(self.h_st, self.U_o)+ self.b_o), np.tanh(self.state))              return np.array(self.h_st)<\/code><\/pre>\n<h4>Bidirectional LSTM<\/h4>\n<p>\u0412 \u0441\u043b\u0443\u0447\u0430\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f <code>tf.keras.layers.Bidirectional<\/code> \u0441\u043e\u0437\u0434\u0430\u0435\u0442\u0441\u044f \u0434\u0432\u0430 \u0441\u043b\u043e\u044f LSTM: \u043e\u0434\u0438\u043d \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442 \u0446\u0435\u043f\u043e\u0447\u043a\u0443 \u0441\u043b\u043e\u0432 \u0432 \u043f\u0440\u044f\u043c\u043e\u043c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0438, \u0432\u0442\u043e\u0440\u043e\u0439 &#8212; \u0432 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u043c. \u0417\u0430\u0447\u0435\u043c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0438\u0440\u0443\u044e\u0442\u0441\u044f. <\/p>\n<p>\u0412 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0443 \u043d\u0430\u0441 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442 \u0434\u0432\u0435 \u0433\u0440\u0443\u043f\u043f\u044b \u0432\u0435\u0441\u043e\u0432 (\u0434\u043b\u044f LSTM \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0438 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u0433\u043e \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e) .  \u0412\u0435\u0441\u0430 \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442 \u0438\u0437 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c:<\/p>\n<pre><code class=\"python\">self.vocal_dict = {vocal_dict[k]: k for k in range(len(vocal_dict))}  self.units = units  # \u0441\u043b\u043e\u0439 \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u043f\u0440\u043e\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u044f self.W_farward = lstm_weights[0] self.U_farward = lstm_weights[1] self.b_farward = lstm_weights[2] self.W_i_farward = self.W_farward[:, :self.units] self.W_f_farward = self.W_farward[:, self.units: self.units * 2] self.W_c_farward = self.W_farward[:, self.units * 2: self.units * 3] self.W_o_farward = self.W_farward[:, self.units * 3:]  self.U_i_farward = self.U_farward[:, :self.units] self.U_f_farward = self.U_farward[:, self.units: self.units * 2] self.U_c_farward = self.U_farward[:, self.units * 2: self.units * 3] self.U_o_farward = self.U_farward[:, self.units * 3:]  self.b_i_farward = self.b_farward[:self.units] self.b_f_farward = self.b_farward[self.units: self.units * 2] self.b_c_farward = self.b_farward[self.units * 2: self.units * 3] self.b_o_farward = self.b_farward[self.units * 3:]  # \u0441\u043b\u043e\u0439 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u044f self.W_backward = lstm_weights[3] self.U_backward = lstm_weights[4] self.b_backward = lstm_weights[5] self.W_i_backward = self.W_backward[:, :self.units] self.W_f_backward = self.W_backward[:, self.units: self.units * 2] self.W_c_backward = self.W_backward[:, self.units * 2: self.units * 3] self.W_o_backward = self.W_backward[:, self.units * 3:]  self.U_i_backward = self.U_backward[:, :self.units] self.U_f_backward = self.U_backward[:, self.units: self.units * 2] self.U_c_backward = self.U_backward[:, self.units * 2: self.units * 3] self.U_o_backward = self.U_backward[:, self.units * 3:]  self.b_i_backward = self.b_backward[:self.units] self.b_f_backward = self.b_backward[self.units: self.units * 2] self.b_c_backward = self.b_backward[self.units * 2: self.units * 3] self.b_o_backward = self.b_backward[self.units * 3:]<\/code><\/pre>\n<p> \u0420\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f <code>tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(units))<\/code> \u0442\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c, \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0430\u044f:<\/p>\n<pre><code class=\"python\">def lstm_farward(self, data):            self.state=np.zeros(self.units)     self.h_st=np.zeros(self.units)     for letter in data:                  self.f_t = self.sigmoid(np.dot(letter, self.W_f_farward) + np.dot(self.h_st, self.U_f_farward) + self.b_f_farward )              self.i_t = self.sigmoid(np.dot(letter, self.W_i_farward) + np.dot(self.h_st, self.U_i_farward) + self.b_i_farward )              self.Ct_t = np.tanh( np.dot(letter, self.W_c_farward) + np.dot(self.h_st, self.U_c_farward) + self.b_c_farward )              self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)              self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o_farward) + np.dot(self.h_st, self.U_o_farward)+ self.b_o_farward), np.tanh(self.state))      return np.array(self.h_st)  def lstm_backward(self, data):          self.state=np.zeros(self.units)     self.h_st=np.zeros(self.units)          for letter in data[::-1]:                  self.f_t = self.sigmoid(np.dot(letter, self.W_f_backward) + np.dot(self.h_st, self.U_f_backward) + self.b_f_backward )                  self.i_t = self.sigmoid(np.dot(letter, self.W_i_backward) + np.dot(self.h_st, self.U_i_backward) + self.b_i_backward )                  self.Ct_t = np.tanh( np.dot(letter, self.W_c_backward) + np.dot(self.h_st, self.U_c_backward) + self.b_c_backward )          self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)          self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o_backward) + np.dot(self.h_st, self.U_o_backward)+ self.b_o_backward), np.tanh(self.state))      return np.array(self.h_st)   emb_out = self.embedding(sentanence) lstm_out_farward =  self.lstm_farward(emb_out) lstm_out_backward = self.lstm_backward(emb_out) lstm = np.concatenate((lstm_out_farward, lstm_out_backward))<\/code><\/pre>\n<h2>\u0417\u0430\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435<\/h2>\n<p>\u0412 \u0434\u0430\u043d\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u043f\u0440\u0438\u0432\u0435\u0434\u0435\u043d\u043e \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u0441\u043b\u043e\u0435\u0432 <code>tf.keras.layers.Bidirectional<\/code> \u0438 <code>tf.keras.layers.LSTM<\/code>. \u041f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 \u043c\u043e\u0433\u0443\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u0434\u043b\u044f \u0440\u0430\u0437\u0432\u0435\u0440\u0442\u044b\u0432\u0430\u043d\u0438\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u043d\u0430 \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0445 \u0431\u0435\u0437 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u0438 \u0443\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0438 \u043f\u0430\u043a\u0435\u0442\u0430 tensorflow, \u0430 \u0442\u0430\u043a\u0436\u0435 \u0434\u043b\u044f \u0438\u0437\u0443\u0447\u0435\u043d\u0438\u044f \u0440\u0430\u0431\u043e\u0442\u044b LSTM \u0432 \u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u0446\u0435\u043b\u044f\u0445.<\/p>\n<\/p>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/723792\/\"> https:\/\/habr.com\/ru\/articles\/723792\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u0412 <a href=\"https:\/\/habr.com\/ru\/post\/719230\/\" rel=\"noopener noreferrer nofollow\">\u043f\u0435\u0440\u0432\u043e\u0439 \u0447\u0430\u0441\u0442\u0438 <\/a>\u0447\u0430\u0441\u0442\u0438 \u044f \u043f\u0435\u0440\u0435\u0432\u0435\u043b \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u043f\u043e\u043b\u043d\u043e\u0441\u0432\u044f\u0437\u043d\u043e\u0439 \u0441\u0435\u0442\u0438 \u043d\u0430 \u0431\u0430\u0437\u0435 Keras \u043d\u0430 \u0440\u0430\u0431\u043e\u0442\u0443 \u0441 \u043c\u0430\u0442\u0440\u0438\u0447\u043d\u044b\u043c\u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f\u043c\u0438. \u041c\u043e\u0434\u0435\u043b\u044c \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u0430 \u0434\u043b\u044f \u043d\u043e\u0432\u043e\u0441\u0442\u043d\u043e\u0433\u043e \u0430\u0433\u0440\u0435\u0433\u0430\u0442\u043e\u0440\u0430 \u0441 \u0446\u0435\u043b\u044c\u044e \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u0438 \u043d\u0435\u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u043d\u043e\u0432\u043e\u0441\u0442\u0435\u0439. <\/p>\n<p>\u041d\u043e \u0435\u0441\u043b\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c <a href=\"https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn\" rel=\"noopener noreferrer nofollow\">\u0441\u0442\u0430\u0442\u044c\u044e<\/a>-\u0440\u0443\u043a\u043e\u0432\u043e\u0434\u0441\u0442\u0432\u043e \u043e\u0442 tensorflow, \u043c\u043e\u0436\u043d\u043e \u0443\u0432\u0438\u0434\u0435\u0442\u044c, \u0447\u0442\u043e \u043e\u0434\u043d\u043e\u0439 \u0438\u0437 \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0430\u0446\u0438\u0439 \u043f\u043e \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0442\u0435\u0441\u0442\u0430 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0441\u0435\u0442\u0435\u0439 \u0434\u043e\u043b\u0433\u043e\u0439 \u043a\u0440\u0430\u0442\u043a\u043e\u0441\u0440\u043e\u0447\u043d\u043e\u0439 \u043f\u0430\u043c\u044f\u0442\u0438 (LSTM). <\/p>\n<p>\u0414\u043b\u044f \u043c\u043e\u0435\u0439 \u0437\u0430\u0434\u0430\u0447\u0438 \u0441\u0435\u0442\u044c \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u043e\u0431\u043b\u0430\u0434\u0430\u0435\u0442 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u044b\u043c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e\u043c, \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0443\u0435\u043c\u043e\u0441\u0442\u044c\u044e \u0438 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 (\u043e\u0431\u044a\u044f\u0441\u043d\u0438\u043c\u043e\u0435 \u043f\u0435\u0440\u0435\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0432\u043b\u0438\u044f\u043d\u0438\u0435 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0441\u0435\u0442\u0438 \u043d\u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0438 \u0442.\u0434.). \u041d\u0443 \u0438 \u043d\u0435\u043c\u0430\u043b\u043e\u0432\u0430\u0436\u043d\u043e &#8212; \u0431\u044b\u0441\u0442\u0440\u043e \u043e\u0431\u0443\u0447\u0430\u0435\u0442\u0441\u044f, \u0432 \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043e\u0442 LSTM. <\/p>\n<p>\u041d\u043e \u0440\u0430\u0434\u0438 &#171;\u0430\u043a\u0430\u0434\u0435\u043c\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e&#187; \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0430 \u043e\u0431\u0443\u0447\u0438\u043c \u0441\u0435\u0442\u044c c LSTM \u0434\u043b\u044f \u0431\u0438\u043d\u0430\u0440\u043e\u043d\u043e\u0439 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0442\u0435\u043a\u0441\u0442\u0430 \u0438 \u043f\u0435\u0440\u0435\u0432\u0435\u0434\u0435\u043c \u0435\u0451 \u0442\u0430\u043a\u0436\u0435 \u043d\u0430 \u0440\u0430\u0431\u043e\u0442\u0443 \u0442\u043e\u043b\u044c\u043a\u043e \u0441 \u043c\u0430\u0442\u0440\u0438\u0446\u0430\u043c\u0438 \u0438 \u043f\u0430\u043a\u0435\u0442\u043e\u043c numpy. \u042d\u0442\u043e \u0442\u0430\u043a\u0436\u0435 \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e \u043f\u043e\u043a\u0430\u0436\u0435\u0442, \u043a\u0430\u043a \u0443\u0441\u0442\u0440\u043e\u0435\u043d\u044b \u044f\u0447\u0435\u0439\u043a\u0438 LSTM. <\/p>\n<h2>\u0421\u0435\u0442\u044c LSTM<\/h2>\n<p>\u0418\u0442\u0430\u043a, tensorflow \u0440\u0430\u0441\u0441\u043c\u0430\u0442\u0440\u0438\u0432\u0430\u0435\u0442 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u0441\u0435\u0442\u0438:<\/p>\n<pre><code class=\"python\">model = tf.keras.Sequential([   encoder,      tf.keras.layers.Embedding(         input_dim=len(encoder.get_vocabulary()),         output_dim=64,         # Use masking to handle the variable sequence lengths         mask_zero=True),     tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64)),     tf.keras.layers.Dense(64, activation='relu'),     tf.keras.layers.Dense(1) ])<\/code><\/pre>\n<p>\u0412\u043e\u0442 \u043a\u0430\u043a \u043e\u043d\u0430 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0432 \u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435:<\/p>\n<figure class=\"\">\n<div><figcaption>\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0441\u0435\u0442\u0438 \u0441 \u0441\u0430\u0439\u0442\u0430 tensorflow <br \/>(<a href=\"https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn\" rel=\"noopener noreferrer nofollow\">https:\/\/www.tensorflow.org\/text\/tutorials\/text_classification_rnn<\/a>)<\/figcaption><\/div>\n<\/figure>\n<p>\u041c\u043e\u0434\u0443\u043b\u0438 TextVectorization \u0438 <code>tf.keras.layers.Embedding<\/code>\u0442\u0435 \u0436\u0435, \u0447\u0442\u043e \u0431\u044b\u043b\u0438 \u0432 \u043f\u0435\u0440\u0432\u043e\u0439 \u0447\u0430\u0441\u0442\u0438 \u043c\u043e\u0435\u0439 \u0440\u0430\u0431\u043e\u0442\u044b. \u0412\u043a\u0440\u0430\u0442\u0446\u0435 \u043d\u0430\u043f\u043e\u043c\u043d\u044e, \u0447\u0442\u043e TextVectorization \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u0442 \u0441\u043b\u043e\u0432\u0430 \u0432 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0447\u0438\u0441\u043b\u043e\u0432\u044b\u0435 \u0438\u043d\u0434\u0435\u043a\u0441\u044b, \u0430 Embedding \u0437\u0430\u0442\u0435\u043c \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u0442 \u0438\u0445 \u0432 \u043f\u043b\u043e\u0442\u043d\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430. <\/p>\n<p>\u0414\u0430\u043b\u0435\u0435 \u0438\u0434\u0435\u0442 \u0441\u043b\u043e\u0439 LSTM, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0441\u043b\u043e\u044f <code>tf.keras.layers.Bidirectional<\/code> &#171;\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442\u0441\u044f&#187; \u043f\u043e \u0434\u0432\u0443\u043c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f\u043c: \u043e\u0442 \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043a \u043a\u043e\u043d\u0446\u0443 \u0438 \u043d\u0430\u043e\u0431\u043e\u0440\u043e\u0442, \u0430 \u0437\u0430\u0442\u0435\u043c \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u044f\u0435\u0442 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b. \u041d\u043e \u0434\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043d\u0430\u0434\u043e \u0441\u043c\u043e\u0434\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u043f\u0440\u043e\u0441\u0442\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 &#8212; \u0431\u0435\u0437 <code>tf.keras.layers.Bidirectional<\/code>, \u0430 \u0437\u0430\u0447\u0435\u043c \u0443\u0436\u0435 \u0441 \u043d\u0438\u043c. <\/p>\n<p>\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c:<\/p>\n<pre><code class=\"python\">model = tf.keras.Sequential([    tf.keras.layers.Embedding(         input_dim=len(encoder.get_vocabulary()),         output_dim=64,         mask_zero=True),     tf.keras.layers.LSTM(64),     tf.keras.layers.Dense(64, activation='relu'),     tf.keras.layers.Dense(1, activation='sigmoid') ])<\/code><\/pre>\n<p>\u0414\u043b\u044f \u0432\u0438\u0437\u0443\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u043a\u043e\u0434\u0430 \u043c\u043e\u0434\u0435\u043b\u0438 <code>tf.keras.layers.LSTM<\/code>\u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0442\u0438\u043f\u043e\u0432\u0443\u044e \u0441\u0445\u0435\u043c\u0443 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM. \u041d\u0430 \u043d\u0435\u0439 \u044f \u043f\u043e\u0434\u043f\u0438\u0441\u0430\u043b \u0432\u0441\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u044b \u0434\u043e\u043b\u0436\u043d\u044b \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u044c. <\/p>\n<figure class=\"\">\n<div><figcaption>\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM<\/figcaption><\/div>\n<\/figure>\n<p>\u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0432\u0435\u0441\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0441\u043b\u043e\u044f \u043d\u0435 \u0442\u0430\u043a \u043f\u0440\u043e\u0441\u0442\u043e \u043a\u0430\u043a \u0434\u043b\u044f \u0441\u043b\u043e\u0435\u0432 Dense \u0438 Embedding &#8212; \u044d\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c (\u0432\u043e\u0442 <a href=\"https:\/\/stackoverflow.com\/questions\/42861460\/how-to-interpret-weights-in-a-lstm-layer-in-keras\" rel=\"noopener noreferrer nofollow\">\u0442\u0443\u0442<\/a> \u043f\u0440\u043e \u044d\u0442\u043e \u0445\u043e\u0440\u043e\u0448\u043e \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043e):<\/p>\n<pre><code class=\"python\"># \u041a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u044f\u0447\u0435\u0435\u043a \u043f\u0430\u043c\u044f\u0442\u0438. \u0417\u0430\u0434\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438 \u043e\u0431\u044a\u044f\u0432\u043b\u0435\u043d\u0438\u0438 \u0441\u043b\u043e\u044f tf.keras.layers.LSTM(units) units = int(int(model.layers[1].trainable_weights[0].shape[1])\/4) print(\"No units: \", units)  W = model.layers[1].get_weights()[0] U = model.layers[1].get_weights()[1] b = model.layers[1].get_weights()[2]  W_i = W[:, :units] W_f = W[:, units: units * 2] W_c = W[:, units * 2: units * 3] W_o = W[:, units * 3:]  U_i = U[:, :units] U_f = U[:, units: units * 2] U_c = U[:, units * 2: units * 3] U_o = U[:, units * 3:]  b_i = b[:units] b_f = b[units: units * 2] b_c = b[units * 2: units * 3] b_o = b[units * 3:]<\/code><\/pre>\n<p>\u0412\u0435\u0441\u0430 <em>W<\/em> \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u043f\u0440\u0438 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f\u0445 \u0441 \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e <em>x<\/em> (\u0442.\u0435. \u0432\u044b\u0445\u043e\u0434\u043e\u043c \u0441\u043b\u043e\u044f Embedding). \u0412\u0435\u0441\u0430 <em>U<\/em> &#8212; \u0434\u043b\u044f \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f <em>h <\/em>\u043f\u0440\u043e\u0448\u043b\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438. <em>b <\/em>&#8212; \u044d\u0442\u043e \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u0435 (bias).<\/p>\n<p>\u0421\u0438\u043c\u0432\u043e\u043b  \u043e\u0437\u043d\u0430\u0447\u0430\u0435\u0442 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044e <code>np.multiply.<\/code> \u0421\u0438\u043c\u0432\u043e\u043b  \u043e\u0431\u044b\u0447\u043d\u043e\u0435 \u043f\u043e\u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043d\u043e\u0435 \u0441\u0443\u043c\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432.  <\/p>\n<p>\u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u0435\u0439 \u0440\u0430\u0431\u043e\u0442\u044b \u044f\u0447\u0435\u0435\u043a LSTM \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u0441 \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f\u0445 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u043e\u0432 \u043e\u0431\u043e\u0437\u043d\u0430\u0447\u0430\u044e\u0442 &#171;\u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435&#187; \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043e\u0432:<br \/>\u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>f&#187;\u00a0\u2014 <\/em>\u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f\/forget gate<em>. <\/em>\u041f\u043e\u00a0\u0441\u0443\u0442\u0438, \u0442\u0443\u0442 \u0441\u00a0\u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0443\u043c\u043d\u043e\u0436\u0435\u043d\u0438\u044f \u043d\u0430\u00a0\u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442 \u043e\u0442 0\u00a0\u0434\u043e 1\u00a0\u0443\u043f\u0440\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u043c \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f <em>\u0421<sub>t<\/sub> <\/em>\u0434\u043b\u044f\u00a0\u0443\u0434\u0430\u043b\u0435\u043d\u0438\u044f \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u043e\u00a0\u043f\u0440\u043e\u0448\u043b\u044b\u0445 \u0448\u0430\u0433\u0430\u0445 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438. \u041a\u043e\u0434 \u0434\u043b\u044f\u00a0\u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f: <\/p>\n<pre><code class=\"python\"># letter - \u044d\u0442\u043e \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0439 \u0441\u0438\u043c\u0432\u043e\u043b \u0438\u0437 \u0441\u043b\u043e\u044f Embedding # h_st - \u0432\u044b\u0445\u043e\u0434 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u044f\u0447\u0435\u0439\u043a\u0438  self.f_t = self.sigmoid(np.dot(letter, self.W_f)                          + np.dot(self.h_st, self.U_f)                          + self.b_f)<\/code><\/pre>\n<p>\u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>i\u00a0&#171;\u2014 <\/em>\u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u043a\u00a0\u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f, \u00ab\u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u0432\u0435\u043d\u0442\u0438\u043b\u044c\u00bb. \u0417\u0434\u0435\u0441\u044c<em> <\/em>\u043d\u0430\u00a0\u043e\u0441\u043d\u043e\u0432\u0435 \u0432\u044b\u0445\u043e\u0434\u0430 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u044f\u0447\u0435\u0439\u043a\u0438 <em>h<sub>t-1<\/sub><\/em> \u0438 \u0432\u0432\u043e\u0434\u0430 x<sub>t<\/sub> \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u0435\u0442\u0441\u044f, \u043a\u0430\u043a\u0438\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0438\u0437\u00a0\u0432\u0432\u043e\u0434\u0430 (x) \u0432\u043e\u00a0\u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u043c \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u0438. \u041a\u043e\u0434:<\/p>\n<pre><code class=\"python\"># letter - \u044d\u0442\u043e \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0439 \u0441\u0438\u043c\u0432\u043e\u043b \u0438\u0437 \u0441\u043b\u043e\u044f Embedding # h_st - \u0432\u044b\u0445\u043e\u0434 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u044f\u0447\u0435\u0439\u043a\u0438  self.i_t = self.sigmoid(np.dot(letter, self.W_i)                          + np.dot(self.h_st, self.U_i)                          + self.b_i)<\/code><\/pre>\n<p> \u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>\u0441&#187;\u00a0\u2014 <\/em>\u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 <em>\u0108<sub>t<\/sub><\/em><\/p>\n<pre><code class=\"python\">self.Ct_t = np.tanh(np.dot(letter, self.W_c)                      + np.dot(self.h_st, self.U_c)                      + self.b_c)<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0432\u0441\u0435 \u0433\u043e\u0442\u043e\u0432\u043e \u0434\u043b\u044f \u0440\u0430\u0441\u0447\u0435\u0442\u0430 \u043d\u043e\u0432\u043e\u0433\u043e \u043a\u043b\u0435\u0442\u043e\u0447\u043d\u043e\u0433\u043e \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f <em>\u0421<sub>t<\/sub><\/em><\/p>\n<pre><code class=\"python\"> self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)<\/code><\/pre>\n<p>\u0418\u043d\u0434\u0435\u043a\u0441 &#171;<em>\u043e<\/em>&#187; &#8212; \u0440\u0430\u0441\u0447\u0435\u0442 \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u0433\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f. \u041f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u043c \u0433\u0438\u043f\u0435\u0440\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0442\u0430\u043d\u0433\u0435\u043d\u0441 \u043a \u0442\u0435\u043a\u0443\u0449\u0435\u043c\u0443 \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044e \u044f\u0447\u0435\u0439\u043a\u0438 \u0438 \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u043d\u0430 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u0442\u0435\u043a\u0443\u0449\u0435\u0433\u043e \u0432\u0445\u043e\u0434\u043d\u043e\u0433\u043e \u0441\u0438\u043c\u0432\u043e\u043b\u0430: <\/p>\n<pre><code class=\"python\">self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o)                                       + np.dot(self.h_st, self.U_o)                                      + self.b_o),                         np.tanh(self.state))<\/code><\/pre>\n<p>\u041f\u043e\u043b\u043d\u044b\u0439 \u043a\u043e\u0434 \u044f\u0447\u0435\u0439\u043a\u0438 LSTM \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c.<\/p>\n<pre><code class=\"python\">def lstm(self, data):   # \u0438\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u044f\u0447\u0435\u0439\u043a\u0438 \u0438 \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u0433\u043e \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u043d\u0430 \u043f\u0435\u0440\u0432\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438     self.state=np.zeros(self.units)     self.h_st=np.zeros(self.units)      # \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u043c \u043f\u043e \u0441\u0438\u043c\u0432\u043e\u043b\u0430\u043c \u0432 \u043f\u0440\u044f\u043c\u043e\u043c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0438.      for letter in data:                  self.f_t = self.sigmoid(np.dot(letter, self.W_f) + np.dot(self.h_st, self.U_f) + self.b_f)                  self.i_t = self.sigmoid(np.dot(letter, self.W_i) + np.dot(self.h_st, self.U_i) + self.b_i)                  self.Ct_t = np.tanh(np.dot(letter, self.W_c) + np.dot(self.h_st, self.U_c) + self.b_c)          self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)          self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o) + np.dot(self.h_st, self.U_o)+ self.b_o), np.tanh(self.state))              return np.array(self.h_st)<\/code><\/pre>\n<h4>Bidirectional LSTM<\/h4>\n<p>\u0412 \u0441\u043b\u0443\u0447\u0430\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f <code>tf.keras.layers.Bidirectional<\/code> \u0441\u043e\u0437\u0434\u0430\u0435\u0442\u0441\u044f \u0434\u0432\u0430 \u0441\u043b\u043e\u044f LSTM: \u043e\u0434\u0438\u043d \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442 \u0446\u0435\u043f\u043e\u0447\u043a\u0443 \u0441\u043b\u043e\u0432 \u0432 \u043f\u0440\u044f\u043c\u043e\u043c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0438, \u0432\u0442\u043e\u0440\u043e\u0439 &#8212; \u0432 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u043c. \u0417\u0430\u0447\u0435\u043c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0438\u0440\u0443\u044e\u0442\u0441\u044f. <\/p>\n<p>\u0412 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0443 \u043d\u0430\u0441 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442 \u0434\u0432\u0435 \u0433\u0440\u0443\u043f\u043f\u044b \u0432\u0435\u0441\u043e\u0432 (\u0434\u043b\u044f LSTM \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0438 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u0433\u043e \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e) .  \u0412\u0435\u0441\u0430 \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442 \u0438\u0437 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c:<\/p>\n<pre><code class=\"python\">self.vocal_dict = {vocal_dict[k]: k for k in range(len(vocal_dict))}  self.units = units  # \u0441\u043b\u043e\u0439 \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u043f\u0440\u043e\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u044f self.W_farward = lstm_weights[0] self.U_farward = lstm_weights[1] self.b_farward = lstm_weights[2] self.W_i_farward = self.W_farward[:, :self.units] self.W_f_farward = self.W_farward[:, self.units: self.units * 2] self.W_c_farward = self.W_farward[:, self.units * 2: self.units * 3] self.W_o_farward = self.W_farward[:, self.units * 3:]  self.U_i_farward = self.U_farward[:, :self.units] self.U_f_farward = self.U_farward[:, self.units: self.units * 2] self.U_c_farward = self.U_farward[:, self.units * 2: self.units * 3] self.U_o_farward = self.U_farward[:, self.units * 3:]  self.b_i_farward = self.b_farward[:self.units] self.b_f_farward = self.b_farward[self.units: self.units * 2] self.b_c_farward = self.b_farward[self.units * 2: self.units * 3] self.b_o_farward = self.b_farward[self.units * 3:]  # \u0441\u043b\u043e\u0439 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u044f self.W_backward = lstm_weights[3] self.U_backward = lstm_weights[4] self.b_backward = lstm_weights[5] self.W_i_backward = self.W_backward[:, :self.units] self.W_f_backward = self.W_backward[:, self.units: self.units * 2] self.W_c_backward = self.W_backward[:, self.units * 2: self.units * 3] self.W_o_backward = self.W_backward[:, self.units * 3:]  self.U_i_backward = self.U_backward[:, :self.units] self.U_f_backward = self.U_backward[:, self.units: self.units * 2] self.U_c_backward = self.U_backward[:, self.units * 2: self.units * 3] self.U_o_backward = self.U_backward[:, self.units * 3:]  self.b_i_backward = self.b_backward[:self.units] self.b_f_backward = self.b_backward[self.units: self.units * 2] self.b_c_backward = self.b_backward[self.units * 2: self.units * 3] self.b_o_backward = self.b_backward[self.units * 3:]<\/code><\/pre>\n<p> \u0420\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f <code>tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(units))<\/code> \u0442\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c, \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0430\u044f:<\/p>\n<pre><code class=\"python\">def lstm_farward(self, data):            self.state=np.zeros(self.units)     self.h_st=np.zeros(self.units)     for letter in data:                  self.f_t = self.sigmoid(np.dot(letter, self.W_f_farward) + np.dot(self.h_st, self.U_f_farward) + self.b_f_farward )              self.i_t = self.sigmoid(np.dot(letter, self.W_i_farward) + np.dot(self.h_st, self.U_i_farward) + self.b_i_farward )              self.Ct_t = np.tanh( np.dot(letter, self.W_c_farward) + np.dot(self.h_st, self.U_c_farward) + self.b_c_farward )              self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)              self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o_farward) + np.dot(self.h_st, self.U_o_farward)+ self.b_o_farward), np.tanh(self.state))      return np.array(self.h_st)  def lstm_backward(self, data):          self.state=np.zeros(self.units)     self.h_st=np.zeros(self.units)          for letter in data[::-1]:                  self.f_t = self.sigmoid(np.dot(letter, self.W_f_backward) + np.dot(self.h_st, self.U_f_backward) + self.b_f_backward )                  self.i_t = self.sigmoid(np.dot(letter, self.W_i_backward) + np.dot(self.h_st, self.U_i_backward) + self.b_i_backward )                  self.Ct_t = np.tanh( np.dot(letter, self.W_c_backward) + np.dot(self.h_st, self.U_c_backward) + self.b_c_backward )          self.state = np.multiply(self.f_t, self.state) + np.multiply(self.i_t, self.Ct_t)          self.h_st = np.multiply(self.sigmoid(np.dot(letter, self.W_o_backward) + np.dot(self.h_st, self.U_o_backward)+ self.b_o_backward), np.tanh(self.state))      return np.array(self.h_st)   emb_out =<\/code><\/pre>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-410905","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/410905","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=410905"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/410905\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=410905"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=410905"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=410905"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}