內(nèi)存是大腦和計(jì)算機(jī)的主要部件。在很多深度學(xué)習(xí)領(lǐng)域，我們通過和記憶匹配來擴(kuò)展深度網(wǎng)絡(luò)的能力，例如，提問與回答，我們先記憶或存儲(chǔ)事先處理的信息，然后使用這些信息回答問題。

我們通過將神經(jīng)網(wǎng)絡(luò)連接到外部存儲(chǔ)資源來擴(kuò)展神經(jīng)網(wǎng)絡(luò)的功能，通過記憶過程與這些資源進(jìn)行交互。

在外行看來，我們創(chuàng)建了一個(gè)記憶結(jié)構(gòu)，通常是數(shù)組，我們向記憶結(jié)構(gòu)中寫入或從其中讀取數(shù)據(jù)。聽起來很簡單：但事實(shí)并非如此。首先，我們沒有無限的存儲(chǔ)空間用來保存我們遇到的圖片或聲音，我們是通過相似性或相關(guān)性來訪問信息（并不完全匹配）。在這篇文章中，討論了如何使用NTM來處理信息。我們之所對(duì)這篇論文感興趣，主要是因?yàn)樵诎∟LP和元學(xué)習(xí)等很多研究領(lǐng)域，她都是一個(gè)重要的起點(diǎn)。

記憶結(jié)構(gòu)

我們的記憶結(jié)構(gòu)Mt包含N行，M個(gè)元素。每行代表一條信息（記憶），例如，你對(duì)表兄的描述。

讀取

通常編程中，我們使用Mt[i]訪問記憶。但對(duì)于人工智能來說，我么通過相似性獲取信息。所以我們推出了一個(gè)使用權(quán)重的閱讀機(jī)制，也就是說，我們得到的結(jié)果是內(nèi)存的加權(quán)和。

所有權(quán)值總和等于1。

你可能立即會(huì)問這樣做的目的是什么。讓我們通過一個(gè)例子來解釋。一個(gè)朋友遞給你一杯飲料，它嘗起來有點(diǎn)像茶，并感覺像牛奶，通過提取茶和牛奶的記憶資料，應(yīng)用線性代數(shù)方法得出結(jié)論：它是珍珠奶茶。聽起來很神奇，但在單詞潛入中，我們也使用了相同的線性代數(shù)來處理關(guān)系。在其他的例子比如提問和回答中，基于累計(jì)的知識(shí)來合并信息是非常重要的。一個(gè)記憶網(wǎng)絡(luò)會(huì)讓我們很好的達(dá)成目標(biāo)。

我們?nèi)绾蝿?chuàng)建這些權(quán)值呢?當(dāng)然，需要依靠深度學(xué)習(xí)?？刂破鲝妮斎胄畔⒅刑崛√卣鳎╧t），我們利用它計(jì)算權(quán)值。例如，你打電話時(shí)，不能立即分辨出對(duì)方的聲音，這個(gè)聲音很像你的表弟，但有似乎又像你的哥哥。通過線性代數(shù)，我們可能分辨出他是你的高中同學(xué)，即便那個(gè)聲音完全不像你記憶中的樣子。

通過計(jì)算權(quán)值w，對(duì)比kt和我們每條記憶的相似性，我們用余弦相似性計(jì)算出了一個(gè)分?jǐn)?shù)K。

這里，u是我們提取的特征量kt，v代表我們內(nèi)存中的每一行。

我們將softmax函數(shù)應(yīng)用于分?jǐn)?shù)K，來計(jì)算權(quán)值w。βt被添加進(jìn)來用于放大或縮小分?jǐn)?shù)的差異。例如，如果它大于1，就放大差異。w基于相似性檢索信息，我們稱之為內(nèi)容尋址。

寫入

我們?nèi)绾螌⑿畔懭胗洃洝Ｔ贚STM中，一個(gè)記憶單元的內(nèi)部狀態(tài)由之前的狀態(tài)和當(dāng)前輸入值共同決定。借用相同的情形，記憶的寫入過程也是由之前的狀態(tài)和新的輸入組成。這里我們先清除部分之前的狀態(tài)：

et是一個(gè)清除向量。(計(jì)算過程就像LSTM中的輸入門一樣)

然后，我們寫入新的信息。

at是我們想添加的值。

這里，通過產(chǎn)生w的控制器，我們可以向記憶中寫入或讀取信息。

尋址機(jī)制

我們的控制器通過計(jì)算w來提取信息，但是采用相似性（內(nèi)容尋址）來提取信息還不夠強(qiáng)大。

補(bǔ)充

w表示我們記憶中當(dāng)前的焦點(diǎn)（注意力）。在內(nèi)容尋址中，我們的關(guān)注點(diǎn)只基于是新的輸入。然而，這不足以解釋我們最近遇到的問題。例如，你的同班同學(xué)在一小時(shí)之前發(fā)信息給你，你應(yīng)該可以很容易回想起他的聲音。在獲取新的信息時(shí)我們?nèi)绾卫弥暗淖⒁饬?？我們根?jù)當(dāng)前的焦點(diǎn)和之前的焦點(diǎn)計(jì)算出合并權(quán)值。是的，這挺起來有點(diǎn)像LSTM或GRU中的遺忘門。

根據(jù)之前的焦點(diǎn)和當(dāng)前輸入計(jì)算出g。

卷積變換

卷積變換完成焦點(diǎn)的變換。它并不是特地為深度學(xué)習(xí)設(shè)計(jì)的。相反，她揭示了NTM如何執(zhí)行像復(fù)制與排序這樣的基礎(chǔ)算法。例如，不用通過訪問w[4]，我們想把每個(gè)焦點(diǎn)移動(dòng)3行，也就是w[i]←w[i+3]。

在卷積變換中，我們可以將需要的焦點(diǎn)移動(dòng)到指定的行，即w[i]←卷積（w[i+3],w[i+4],w[i+5]）。通常，卷積僅僅是行的線性加權(quán)和：0.3×w[i+3]+0.5×w[i+4]+0.2×w[i+5]。

這是焦點(diǎn)變換的數(shù)學(xué)公式：

在很多深度學(xué)習(xí)模型中，我么忽略這一步或者設(shè)置s(i)為0，s(0)=1例外。

銳化

我們的卷積移位就像一個(gè)卷積模糊濾波器。所以在有需要時(shí)，我們會(huì)對(duì)權(quán)值采用用銳化技術(shù)，達(dá)到模糊的效果，γ將會(huì)是在銳化焦點(diǎn)時(shí)控制器輸出的另一個(gè)參數(shù)。

小結(jié)

我們使用權(quán)值w從記憶中檢索信息。w包括這些因素：當(dāng)前輸入，以前的交點(diǎn)，可能的變換與模糊。這里是系統(tǒng)框圖，其中控制器輸出必要的參數(shù)，這些參數(shù)用于在不同的階段計(jì)算w。