1.什么是LSTM

        长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

        LSTM区别于RNN地方，主要就在于它在算法中加入了一个判断信息有用与否的"处理器"，这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。

2.LSTM的优势

2-1 LSTM架构

        相比于RNN，LSTM的结构增加了三个门“遗忘门”、“输入门”、“输出门”。LSTM靠着一些“门”结构让信息有选择地影响循环神经网络中每个时刻的状态，所谓“门”结构，就是使用一个sigmoid的全连接层和一个按位做乘法的操作，这两个结合起来就是一个“门”结构。之所以叫“门”结构是因为使用sigmoid作为激活函数的全连接神经网络会输出一个0到1之间的数值，描述当前输入的有多少信息量可以通过这个结构。当门全打开时（sigmoid全连接层输出为1时），全部信息都能通过；当门全部关上时（sigmoid全连接层输出为0时），任何信息不能通过。如下图为LSTM的整体结构图，其中黄色的框代表的是激活函数，其中σ代表sigmoid函数（0-1之间），tanh自然就是tanh函数（-1-1之间）；粉色的圆圈代表的是向量之间的运算。 

如下图为LSTM的内部结构图。

    图中代表遗忘门，代表输入门，代表输出门。是memroy cell,存储记忆信息。代表上一时刻的记忆信息，代表当前时刻的记忆信息，是LSTM单元的输出，是前一刻的输出。

2-2 LSTM结构

2-2-1 细胞状态

        LSTM的关键是细胞状态（直译：cell state），表示为 Ct ，用来保存当前LSTM的状态信息并传递到下一时刻的LSTM中。当前的LSTM接收来自上一个时刻的细胞状态 ，并与当前LSTM接收的信号输入 共同作用产生当前LSTM的细胞状态 。      

        在LSTM中，采用专门设计的“门”来引入或者去除细胞状态 Ct 中的信息。门是一种让信息选择性通过的方法。有的门跟信号处理中的滤波器有点类似，允许信号部分通过或者通过时被门加工了；有的门也跟数字电路中的逻辑门类似，允许信号通过或者不通过。这里所采用的门包含一个神经网络层和一个按位的乘法操作。

2-2-2遗忘门 

       遗忘门决定了细胞状态 中的哪些信息将被遗忘。 遗忘门由一个sigmod神经网络层和一个按位乘操作构成。

        遗忘门包含一个sigmod神经网络层（黄色方框，神经网络参数为和），接收t时刻的输入信号和时刻LSTM的上一个输出信号，这两个信号进行拼接以后共同输入到神经网络层sigmod中，然后输出信号 ，是0-1到之间的数值，并与相乘来决定中的哪些信息将被保留，哪些信息将被舍弃。具体公式如下：

        ,, ,那遗忘门的输入信号就是和的组合，,然后通过sigmod神经网络层输出每个元素都是处于0-1之间的向量与按位相乘。

 2-2-3 输入门

        输入门的作用与遗忘门相反，它将决定新输入的信息和中哪些信息将被保留。输入门包含两部分，一个是sigmod神经网络层(神经网络参数为和)和一个tanh神经网络层(神经网络参数为和)

        sigmod神经网络层的作用很明显，跟遗忘门一样，它接收 和作为输入，然后输出一个0到1之间的数值来决定哪些信息需要被更新； 

        Tanh神经网络层的作用是将输入的 和整合，然后通过tanh神经网络层来创建一个新的状态候选向量，的值范围在-1到1之间。 

        输入门的输出由上述两个神经网络层的输出决定 与相乘来选择哪些信息将被新加入到  时刻的细胞状态中。 

2-2-4 细胞状态更新

        通过遗忘门和输入门，将可以细胞状态 Ct更新。

        细胞状态更新公式如下: 

     将遗忘门的输出 与上一时刻的细胞状态相乘来选择遗忘和保留一些信息，将输入门的输出与从遗忘门选择后的信息加和得到新的细胞状态 。这就表示t时刻的细胞状态已经包含了此时需要丢弃的时刻传递的信息和时刻从输入信号获取的需要新加入的信息。 将继续传递到时刻的LSTM网络中，作为新的细胞状态传递下去。  

2-2-5 输出门

        输出门用来控制单元状态有多少输入到LSTM的当前输出。由sigmod神经网络层和tanh激活函数以及按位乘操作组成。

         和作为输入，经过sigmod的神经网络层(神经网络层的网络参数为和)，然后输出一个0到1之间的数值； 

            经过一个tanh激活函数，此处需要注意的是(tanh是作为激活函数而不是神经网络层)得到一个在-1到1之间的树枝，并与相乘得到输出信号。之后作为下一时刻的输入信号传递到下一阶段。

3.后记

        LSTM通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息；而不像普通的RNN那样只能够“呆萌”地仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说，尤其好用。但也因为引入了很多内容，导致参数变多，也使得训练难度加大了很多。