了解 GRU 架构 - Keras

Understanding GRU Architecture - Keras

我正在使用 Mycroft AI 唤醒词检测，我正在尝试了解网络的维度。以下几行显示了 Keras 中的模型：

model = Sequential()
model.add(GRU(
        params.recurrent_units, activation='linear',
        input_shape=(pr.n_features, pr.feature_size), dropout=params.dropout, name='net'))
model.add(Dense(1, activation='sigmoid'))

我的特征尺寸为 29*13。 GRU 层有 20 个单元。我现在的问题是，我的模型如何在 GRU 层中拥有 2040 个可学习参数？这些单位是如何连接的？也许我对 GRU 网络的整体理解是错误的，但我只能找到单个单元的解释，而不能找到整个网络的解释。 GRU网络是全连接的吗？ 谢谢你！

Network Architecture

首先，对于一般的RNN，时间维度可以是任意的。对于您的情况，这意味着数字 29 不起作用。数字 2040 完全由数字 13（特征）和 20（GRU 中的单元）组成。

要了解数字的来源，请查看来自 wikipedia 的这张图片：

这是基本的 GRU 细胞的样子。 要了解变量的维度，请查看同一篇维基百科文章中的这个公式：

为了理解这一点，您只需要知道输入向量 x[t] 在您的情况下具有维度 13，并且内部状态和输出 h[t], r[t], z[t], y[t] 具有维度 20。您可以看，有几个地方使用了维度参数。所以，我个人不喜欢用"units"这个词来形容它，因为它暗示里面有20个"things"。其实就是内部状态、矩阵、偏差的维度：

有了这些知识，并且还知道公式中的维数必须匹配，您可以推导出 W 矩阵必须具有维数 20 x 13 而 U 矩阵必须具有维度20 x 20。偏差 b 必须具有维度 20.

则参数总数计算为

#Params = 3 * dim(W)
        + 3 * dim(U)
        + 3 * dim(b)
        = 3 * 20*13 + 3 * 20*20 + 3 * 20
        = 2040

为了更深入地了解 RNN 在 Keras 中的工作原理，我强烈推荐 的答案。它说它是关于 LSTM 的，但那里所说的一切也适用于 GRU。