ai-078Đọc toàn bộ đề miễn phí

Cài Đặt Tế Bào Bộ Nhớ Dài-Ngắn (LSTM Cell - Hochreiter & Schmidhuber)

1. Cổng quên (Forget Gate): f_t = σ(x_t W_f + h_t-1 U_f + b_f)

AINâng cao45 phút

Tiến độ của tôi ở bài này

Điểm được lưu vào tài khoản sau khi chấm bài.

Đang tải điểm của bạn…

Kiến thức và chủ đề

sequence-modelslstmgatescell-statenumpy

Kiến thức tiên quyết: recurrent-neural-network-cell-from-scratch.

Nội dung đề bài3 cấp độ gợi ýPhân tích lời giảiCode tham khảo

Nội dung đề bài

Mục tiêu kiến thức

LSTM (1997) khắc phục triệt để vấn đề mất đạo hàm bằng cách tách biệt:
Trạng thái ô (Cell State) $c t$ : Tuyến tính, đóng vai trò như băng chuyền lưu trữ ký ức dài hạn.
Trạng thái ẩn (Hidden State) $h t$ : Bộ nhớ ngắn hạn xuất ra ở mỗi bước.
Hệ thống 3 cổng:
Cổng quên (Forget Gate): $f t = σ (x t W f + h t-1 U f + b f)$
Cổng nhập (Input Gate): $i t = σ (x t W i + h t-1 U i + b i)$
Ứng viên trạng thái mới (Candidate): $c t = tanh (x t W c + h t-1 U c + b c)$
Cập nhật Cell State: $c t = f t ⊙ c t-1 + i t ⊙ c t$
Cổng xuất (Output Gate): $o t = σ (x t W o + h t-1 U o + b o)$
Cập nhật Hidden State: $h t = o t ⊙ tanh (c t)$

Yêu cầu

Xây dựng lớp LSTMCell:

class LSTMCell:
    def __init__(self, input_dim: int, hidden_dim: int):
        pass

    def forward_step(self, x_t: np.ndarray, state: tuple[np.ndarray, np.ndarray]) -> tuple[np.ndarray, np.ndarray]:
        # state is (h_prev, c_prev)
        # returns (h_next, c_next)
        pass

Input

Hàm sigmoid(x): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.

Output

Hàm sigmoid: Trả về kết quả kiểu np.ndarray theo đúng đặc tả kỹ thuật và kích thước quy định.

Ràng buộc

Thời gian chạy tối đa: 2000ms.
Giới hạn bộ nhớ: 256MB.
Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.

Ví dụ 1

Input

B, D_in, D_hid = (2, 6, 8)
cell = LSTMCell(input_dim=D_in, hidden_dim=D_hid)
x_t = np.random.randn(B, D_in)
h_0 = np.zeros((B, D_hid))
c_0 = np.zeros((B, D_hid))
h_1, c_1 = cell.forward_step(x_t, (h_0, c_0))

Output

([[ 0.0553,  0.0081, -0.0329, -0.199 ,  0.0186, -0.0895,  0.0041,  0.0004],
 [-0.1274, -0.2596, -0.0733,  0.0106, -0.3524,  0.2798,  0.4167,  0.0143]], [[ 0.2905,  0.0216, -0.0696, -0.2758,  0.0369, -0.3114,  0.018 ,  0.0007],
 [-0.2453, -0.4404, -0.1268,  0.0379, -0.5084,  0.4363,  0.7247,  0.0255]])

Giải thích

Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.

Ví dụ 2

Input

cell = LSTMCell(input_dim=4, hidden_dim=4)
x_t = np.zeros((1, 4))
h_0 = np.zeros((1, 4))
c_0 = np.full((1, 4), 10.0)
h_1, c_1 = cell.forward_step(x_t, (h_0, c_0))

Output

([[0.5, 0.5, 0.5, 0.5]], [[5., 5., 5., 5.]])

Giải thích

Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.

3 cấp độ gợi ýMở dần khi bạn thật sự cần hỗ trợ.

Phân tích lời giảiGiải thích hướng tư duy và thuật toán.

Code tham khảoDùng để đối chiếu sau khi tự làm.

Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.

Góp ý & báo lỗi bài tập

Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.

Tiến độ của tôi ở bài này

Kiến thức và chủ đề

Nội dung đề bài

Mục tiêu kiến thức

Yêu cầu

Input

Output

Ràng buộc

Ví dụ 1

Input

Output

Giải thích

Ví dụ 2

Input

Output

Giải thích

Bài tập liên quan cùng chuyên đề

Góp ý & báo lỗi bài tập