ANN：DNN结构演进History—LSTM网络

        为了保持文章系列的连贯性，参考这个文章：

        此前的文章： DNN结构演进History—LSTM_NN  ，这个文章的分析更加全面清晰：Understanding LSTM NetWork 分析了各种LSTM网络，LSTM小品文 ：谷歌语音转录背后的神经网络。

摘要：

        LSTM使用一个控制门控制参数是否进行梯度计算，以此避免梯度消失或者爆炸。

LSTM的优势与不足 

LSTM的不足

• LSTM的高效截断版本并不能很轻松的解决“强延迟异或”类的问题。

• LSTM的每个存储单元块需要一个输入门和一个输出门，而这在其他的循环方法中并不是必需的。

• 常数误差流通过存储单元内部的“Constant Error Carrousels”，能够跟传统的前馈架构一样，产生与整个输入串相同的效果。

• LSTM与其他前馈方法一样，在“regency”的概念上有缺陷。 如果需要精密时间步长计数，可能还需要额外的计数机制。

LSTM的优势

• 内存单元中反向传播的常数误差，赋予该架构桥接长时滞的算法的能力。

• LSTM可近似于噪声问题域、分布式表示和连续值。

• LSTM概述了要考虑的问题域。这一点很重要，因为一些任务对于已经建立的循环网络来说很棘手。

• 在问题域上不需要微调网络参数。

• 在每个权重和时间步长更新的复杂性方面，LSTM基本上等同于BPTT。

• LSTM在机器翻译等领域取得了当前最先进的结果，显示出强大的能力。

参考：LSTM、GRU与NTM这些最先进的循环神经网络，是如何进行深度学习任务的