Вентили LSTM
Вы узнаете
Как вентили забывания, входа и выхода LSTM решают, что ячейка хранит, записывает и показывает.
Ячейка LSTM хранит отдельную память c и три вентиля, каждый это сигмоида между 0 и 1: забывание масштабирует старую память, вход впускает новое содержимое g, а выход решает, сколько памяти показать. c' = f c + i g и h' = o tanh(c'). В фикстуре спеки каждый вес равен 0, поэтому каждый вентиль это сигмоида своего смещения: при вентиле забывания 0.9975 и вентиле входа 0.0025 память 1 выходит как 0.9975, а выход равен 0.7587. Так как c проходит лишь с умножением на f, её градиент тоже переживает много шагов. Спека lstm_single.t27 вычисляет ячейку.
Попробовать
Загрузите Remember, а затем Forget и сравните новую память; затем запишите с открытым вентилем входа.
Set the biases of the forget, input and output gates and the old memory: the new memory is forget x old + input x candidate, and the output shows tanh of it through the output gate.
specs/ml/recurrent/lstm_single.t27
// SPDX-License-Identifier: Apache-2.0
// t27/specs/
// LSTM solves vanishing gradient problem | φ² + 1/φ² = 3 | TRINITY
// #8980: called `@sigmoid` and `@tanh`, which Zig does not have; each gate weight
// was one number per INPUT, indexed `i % hidden_size`, so it was not an LSTM; and
// every test asserted `true`. Now each gate has its own matrices, W_x
// (hidden x input) and W_h (hidden x hidden), and a bias:
// i = s(z_i), f = s(z_f), g = tanh(z_g), o = s(z_o), z = W_x x + W_h h + b
// c' = f c + i g, h' = o tanh(c')
// backward gives every gradient of one step, and the tests check it against finite
// differences.
module LstmCell;
use base::types;
use math::constants;
// ═══════════════════════════════════════════════════════════
// 1. Constants
// ═══════════════════════════════════════════════════════════
const FORGET_BIAS_INIT : f32 = 1.0;
// ═══════════════════════════════════════════════════════════
// 2. Types
// ═══════════════════════════════════════════════════════════
pub const LSTMConfig = struct {
input_size : u32,
hidden_size : u32,
};
pub const LSTMState = struct {
h : []f32,
c : []f32,
};
pub const LSTMWeights = struct {
W_ii : []f32,
W_hi : []f32,
b_i : []f32,
W_if : []f32,
W_hf : []f32,
b_f : []f32,
W_ig : []f32,
W_hg : []f32,
b_g : []f32,
W_io : []f32,
W_ho : []f32,
b_o : []f32,
};
// ═══════════════════════════════════════════════════════════
// 3. Core Functions
// ═══════════════════════════════════════════════════════════
fn sigmoid(z: f32) -> f32 {
return 1.0 / (1.0 + exp(-z));
}
// Pre-activation of one gate for hidden unit u: W_x[u] . x + W_h[u] . h + b[u]
fn pre(w_x: []const f32, w_h: []const f32, b: []const f32, x: []const f32, h: []const f32, u: usize, config: LSTMConfig) -> f32 {
var z : f32 = b[u];
var j : usize = 0;
while (j < config.input_size) {
z = z + w_x[u * config.input_size + j] * x[j];
j = j + 1;
}
var k : usize = 0;
while (k < config.hidden_size) {
z = z + w_h[u * config.hidden_size + k] * h[k];
k = k + 1;
}
return z;
}
fn forward(input: []const f32, state: LSTMState, weights: LSTMWeights, output_state: LSTMState, config: LSTMConfig) -> void {
var u : usize = 0;
while (u < config.hidden_size) {
const ig = sigmoid(pre(weights.W_ii, weights.W_hi, weights.b_i, input, state.h, u, config));
const fg = sigmoid(pre(weights.W_if, weights.W_hf, weights.b_f, input, state.h, u, config));
const gg = tanh(pre(weights.W_ig, weights.W_hg, weights.b_g, input, state.h, u, config));
const og = sigmoid(pre(weights.W_io, weights.W_ho, weights.b_o, input, state.h, u, config));
output_state.c[u] = fg * state.c[u] + ig * gg;
output_state.h[u] = og * tanh(output_state.c[u]);
u = u + 1;
}
}
// Adds dz * (x, h, 1) into one gate's weight gradients, and dz * W into grad_input / grad_state.h
fn spread(dz: f32, w_x: []const f32, w_h: []const f32, gw_x: []f32, gw_h: []f32, gb: []f32, x: []const f32, h: []const f32, u: usize, config: LSTMConfig, grad_input: []f32, grad_h: []f32) -> void {
var j : usize = 0;
while (j < config.input_size) {
gw_x[u * config.input_size + j] = gw_x[u * config.input_size + j] + dz * x[j];
grad_input[j] = grad_input[j] + dz * w_x[u * config.input_size + j];
j = j + 1;
}
var k : usize = 0;
while (k < config.hidden_size) {
gw_h[u * config.hidden_size + k] = gw_h[u * config.hidden_size + k] + dz * h[k];
grad_h[k] = grad_h[k] + dz * w_h[u * config.hidden_size + k];
k = k + 1;
}
gb[u] = gb[u] + dz;
}
// One step back. grad_output = dL/dh', grad_cell = dL/dc' from later steps. Writes
// dL/dx, dL/dh, dL/dc and ADDS the weight gradients into grad_weights.
// do = dh' tanh(c'); dc = dh' o (1 - tanh^2 c') + grad_cell
// dz_o = do o (1 - o), dz_f = dc c f (1 - f), dz_i = dc g i (1 - i), dz_g = dc i (1 - g^2)
// dL/dc = dc f
fn backward(grad_output: []const f32, grad_cell: []const f32, input: []const f32, state: LSTMState, weights: LSTMWeights, config: LSTMConfig, grad_input: []f32, grad_state: LSTMState, grad_weights: LSTMWeights) -> void {
var j : usize = 0;
while (j < config.input_size) {
grad_input[j] = 0.0;
j = j + 1;
}
var u : usize = 0;
while (u < config.hidden_size) {
grad_state.h[u] = 0.0;
u = u + 1;
}
u = 0;
while (u < config.hidden_size) {
const ig = sigmoid(pre(weights.W_ii, weights.W_hi, weights.b_i, input, state.h, u, config));
const fg = sigmoid(pre(weights.W_if, weights.W_hf, weights.b_f, input, state.h, u, config));
const gg = tanh(pre(weights.W_ig, weights.W_hg, weights.b_g, input, state.h, u, config));
const og = sigmoid(pre(weights.W_io, weights.W_ho, weights.b_o, input, state.h, u, config));
const c_new = fg * state.c[u] + ig * gg;
const tc = tanh(c_new);
const dc = grad_output[u] * og * (1.0 - tc * tc) + grad_cell[u];
const dz_o = grad_output[u] * tc * og * (1.0 - og);
const dz_f = dc * state.c[u] * fg * (1.0 - fg);
const dz_i = dc * gg * ig * (1.0 - ig);
const dz_g = dc * ig * (1.0 - gg * gg);
grad_state.c[u] = dc * fg;
spread(dz_i, weights.W_ii, weights.W_hi, grad_weights.W_ii, grad_weights.W_hi, grad_weights.b_i, input, state.h, u, config, grad_input, grad_state.h);
spread(dz_f, weights.W_if, weights.W_hf, grad_weights.W_if, grad_weights.W_hf, grad_weights.b_f, input, state.h, u, config, grad_input, grad_state.h);
spread(dz_g, weights.W_ig, weights.W_hg, grad_weights.W_ig, grad_weights.W_hg, grad_weights.b_g, input, state.h, u, config, grad_input, grad_state.h);
spread(dz_o, weights.W_io, weights.W_ho, grad_weights.W_io, grad_weights.W_ho, grad_weights.b_o, input, state.h, u, config, grad_input, grad_state.h);
u = u + 1;
}
}
// The fixture: input 3, hidden 2. All 48 weights live in one buffer, per gate
// W_x (6), W_h (4), b (2), in the gate order i, f, g, o.
fn cfg() -> LSTMConfig {
return LSTMConfig{ .input_size = 3, .hidden_size = 2 };
}
fn weights_of(w: []f32) -> LSTMWeights {
return LSTMWeights{
.W_ii = w[0..6], .W_hi = w[6..10], .b_i = w[10..12],
.W_if = w[12..18], .W_hf = w[18..22], .b_f = w[22..24],
.W_ig = w[24..30], .W_hg = w[30..34], .b_g = w[34..36],
.W_io = w[36..42], .W_ho = w[42..46], .b_o = w[46..48],
};
}
// Deterministic weights in [-0.5, 0.5]; the forget biases start at FORGET_BIAS_INIT
fn fill(w: []f32) -> void {
var k : usize = 0;
while (k < 48) {
w[k] = @as(f32, @floatFromInt((k * 7 + 3) % 11)) / 10.0 - 0.5;
k = k + 1;
}
w[22] = FORGET_BIAS_INIT;
w[23] = FORGET_BIAS_INIT;
}
// L = 0.5 h'_0 - 0.3 h'_1 + 0.2 c'_0 + 0.1 c'_1 after one step, with one input, one h or
// one c entry moved by `delta` (which: 0 = none, 1 + j = x_j, 4 + k = h_k, 6 + k = c_k,
// 8 = b_f[1])
fn loss(which: usize, delta: f32) -> f32 {
var w : [48]f32 = undefined;
fill(&w);
var x : [3]f32 = [1.0, 2.0, 3.0];
var h : [2]f32 = [0.1, 0.2];
var c : [2]f32 = [0.3, 0.4];
if (which >= 1 and which <= 3) {
x[which - 1] = x[which - 1] + delta;
}
if (which >= 4 and which <= 5) {
h[which - 4] = h[which - 4] + delta;
}
if (which >= 6 and which <= 7) {
c[which - 6] = c[which - 6] + delta;
}
if (which == 8) {
w[23] = w[23] + delta;
}
var h_out : [2]f32 = [0.0] ** 2;
var c_out : [2]f32 = [0.0] ** 2;
forward(&x, LSTMState{ .h = &h, .c = &c }, weights_of(&w), LSTMState{ .h = &h_out, .c = &c_out }, cfg());
return 0.5 * h_out[0] - 0.3 * h_out[1] + 0.2 * c_out[0] + 0.1 * c_out[1];
}
// The analytic gradient of that loss, same `which` numbering
fn grad(which: usize) -> f32 {
var w : [48]f32 = undefined;
fill(&w);
const x : [3]f32 = [1.0, 2.0, 3.0];
var h : [2]f32 = [0.1, 0.2];
var c : [2]f32 = [0.3, 0.4];
const grad_output : [2]f32 = [0.5, -0.3];
const grad_cell : [2]f32 = [0.2, 0.1];
var gx : [3]f32 = [0.0] ** 3;
var gh : [2]f32 = [0.0] ** 2;
var gc : [2]f32 = [0.0] ** 2;
var gw : [48]f32 = [0.0] ** 48;
backward(&grad_output, &grad_cell, &x, LSTMState{ .h = &h, .c = &c }, weights_of(&w), cfg(), &gx, LSTMState{ .h = &gh, .c = &gc }, weights_of(&gw));
if (which >= 1 and which <= 3) {
return gx[which - 1];
}
if (which >= 4 and which <= 5) {
return gh[which - 4];
}
if (which >= 6 and which <= 7) {
return gc[which - 6];
}
return gw[23];
}
// Sum of |every gradient| when grad_output and grad_cell are both 0
fn zero_upstream_total() -> f32 {
var w : [48]f32 = undefined;
fill(&w);
const x : [3]f32 = [1.0, 2.0, 3.0];
var h : [2]f32 = [0.1, 0.2];
var c : [2]f32 = [0.3, 0.4];
const zeros : [2]f32 = [0.0, 0.0];
var gx : [3]f32 = [0.0] ** 3;
var gh : [2]f32 = [0.0] ** 2;
var gc : [2]f32 = [0.0] ** 2;
var gw : [48]f32 = [0.0] ** 48;
backward(&zeros, &zeros, &x, LSTMState{ .h = &h, .c = &c }, weights_of(&w), cfg(), &gx, LSTMState{ .h = &gh, .c = &gc }, weights_of(&gw));
var total : f32 = @abs(gx[0]) + @abs(gx[1]) + @abs(gx[2]) + @abs(gh[0]) + @abs(gh[1]) + @abs(gc[0]) + @abs(gc[1]);
var k : usize = 0;
while (k < 48) {
total = total + @abs(gw[k]);
k = k + 1;
}
return total;
}
fn slope(which: usize) -> f32 {
return (loss(which, 0.001) - loss(which, -0.001)) / 0.002;
}
// which: 0 = h'_0, 1 = c'_0 for a 1-unit cell with every weight 0 and the given biases
fn bias_only(b_i: f32, b_f: f32, b_g: f32, b_o: f32, c_prev: f32, which: u8) -> f32 {
var w : [48]f32 = [0.0] ** 48;
w[10] = b_i;
w[22] = b_f;
w[34] = b_g;
w[46] = b_o;
const x : [3]f32 = [1.0, 2.0, 3.0];
var h : [2]f32 = [0.0, 0.0];
var c : [2]f32 = [c_prev, 0.0];
var h_out : [2]f32 = [9.0] ** 2;
var c_out : [2]f32 = [9.0] ** 2;
forward(&x, LSTMState{ .h = &h, .c = &c }, weights_of(&w), LSTMState{ .h = &h_out, .c = &c_out }, cfg());
if (which == 0) {
return h_out[0];
}
return c_out[0];
}
fn valid_input() -> usize {
return cfg().input_size;
}
// ═══════════════════════════════════════════════════════════
// TDD: Tests (from .tri behaviors)
// ═══════════════════════════════════════════════════════════
// All weights 0: every gate is s(0) = 0.5 or tanh(0) = 0, so c' = 0.5 c and h' = 0.5 tanh(c')
test forward_basic_case
given c_new = bias_only(0.0, 0.0, 0.0, 0.0, 0.8, 1)
when h_new = bias_only(0.0, 0.0, 0.0, 0.0, 0.8, 0)
then @abs(c_new - 0.4) < 0.000001 and @abs(h_new - 0.5 * tanh(c_new)) < 0.000001 and @abs(h_new - 0.1899745) < 0.000001
// A closed forget gate (b_f = -30) erases the old cell; an open one (b_f = 30) keeps it
test forward_basic_lstm
given erased = bias_only(0.0, -30.0, 0.0, 0.0, 0.8, 1)
when kept = bias_only(-30.0, 30.0, 0.0, 0.0, 0.8, 1)
then @abs(erased) < 0.000001 and @abs(kept - 0.8) < 0.000001
// A closed input gate and forget gate leave c' = 0, so h' = 0 whatever the output gate does
test forward_with_empty_input
given h_new = bias_only(-30.0, -30.0, 1.0, 30.0, 0.8, 0)
then @abs(h_new) < 0.000001
// dL/dx_j against central differences
test backward_basic_case
given g0 = grad(1)
when g2 = grad(3)
then @abs(g0 - slope(1)) < 0.0005 and @abs(grad(2) - slope(2)) < 0.0005 and @abs(g2 - slope(3)) < 0.0005
// dL/dh_k, dL/dc_k and dL/db_f[1] against central differences
test backward_basic_lstm
given gh0 = grad(4)
when gc1 = grad(7)
then @abs(gh0 - slope(4)) < 0.0005 and @abs(grad(5) - slope(5)) < 0.0005 and @abs(grad(6) - slope(6)) < 0.0005 and @abs(gc1 - slope(7)) < 0.0005 and @abs(grad(8) - slope(8)) < 0.0005
// With no upstream gradient nothing flows back
test backward_with_empty_grad
given total = zero_upstream_total()
then total == 0.0 and @abs(grad(1)) > 0.0
// ═══════════════════════════════════════════════════════════
// TDD: Invariants (from .tri constraints)
// ═══════════════════════════════════════════════════════════
// input.size() == config.input_size
invariant lstm_cell_constraint_0
assert valid_input() == 3
// state.h.size() == config.hidden_size
invariant lstm_cell_constraint_1
assert cfg().hidden_size == 2
// state.c.size() == config.hidden_size; the forget bias starts open
invariant lstm_cell_constraint_2
assert FORGET_BIAS_INIT > 0.0
Все уроки
Модуль 1 · Один нейрон
Нейрон складывает входы и изгибает сумму: ReLU, сигмоида и tanh, и где каждая перестаёт пропускать градиент назад.
Модуль 2 · Новые изгибы
Гладкие кривые нынешних моделей: GELU с провалом, Swish с ручкой и ELU с полом вместо обрыва.
Модуль 3 · Слой
Что окружает нейроны: softmax превращает оценки в выбор, эмбеддинг превращает слово в числа, dropout выключает нейроны.
Модуль 4 · Картинки
Чтение картинки по участкам: окно, усреднённое по участку, max pooling и пакетная нормализация признаков разного масштаба.
Модуль 5 · Ошибка
Насколько неверна догадка, одним числом: среднеквадратичная ошибка, перекрёстная энтропия для вероятностей и функция Хьюбера для выбросов.
Модуль 6 · Под гору
Спуск по функции потерь: градиентный спуск с моментом, RMSProp без оглядки на величину градиента и Adam, который соединяет оба.
Модуль 7 · Обучение
Откуда берутся градиенты и чего они добиваются: обратное распространение через слой, сеть, которая учит XOR, и LAMB для больших пакетов.
Модуль 8 · Память и внимание
Сети, которые читают последовательность: рекуррентная ячейка и её затухающее эхо, вентили LSTM и внимание ко всем позициям сразу.
Модуль 9 · Трансформер и награда
Части трансформера и агента: позиции как часы, один блок энкодера и PPO, который учится на награде без рывков.