导读

RNN, LSTM 和 GRU是3个非常常用的循环神经网络，这三个东西里面的内部结构又是什么样的呢，很多人可能并不清楚，不过除了RNN外，其他两个也确实比较复杂，记不住没关系，看总能看明白吧，看不明白也没关系，动画演示给你看！

循环神经网络是一类人工神经网络，常与序列数据一起使用。最常见的3种循环神经网络是普通循环神经网络(RNN)、长短时记忆(LSTM)和门控循环单元(GRU)。

有很多关于循环神经网络的图解。我个人最喜欢的是Michael Nguyen在这里发表的那篇文章，因为他让我们对这些模型有了直观的认识，更重要的是，他的漂亮的插图让我们更容易理解。但我这篇文章背后的动机是更好地可视化这些单元中发生的事情，以及节点如何被共享，以及它们如何转换以提供输出节点。迈克尔的动画也给了我灵感。

本文研究了普通的RNN、LSTM和GRU单元。这是一个简短的文章，是给那些对这几个东西有所了解的人准备的。(我建议在阅读本文之前先阅读Michael的文章。)需要注意的是，以下动画是连续的，但不反映向量计算时的时间顺序。

这是我在插图中使用的图例。

Fig. 0: 动画中的图例

在我的动画中，我使用的输入尺寸为3（绿色）和输出尺寸为2的隐含单元（红色），batch size为1。

我们开始！

RNN

Fig. 1: RNN cell的动画

• t — 时间步
• X — 输入
• h — 隐含状态
• length of X — 输入的尺寸/维度
• length of h — 隐含单元的数量，注意，不同的库名字不一样，但是含义是一样的:
• – Keras — state_size,units
• – PyTorch — hidden_size
• – TensorFlow — num_units

LSTM

Fig. 2: LSTM cell的动画

• C — cell 状态

注意，cell状态的维度和隐含状态的维度是相同的

GRU

Fig. 3: GRU cell的动画

希望这些动画可以帮助到你，这里是这些cells的静态图：

Fig. 4: RNN cell

Fig. 5: LSTM cell

Fig. 6: GRU cell