初学者对LSTM的理解

本文借鉴和参考了许多文章，但忘记录了，如果侵权，请联系我，我将立马删除。

从RNN说起

循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。

普通RNN

先简单介绍一下一般的RNN。
其主要形式如下图所示（图片均来自台大李宏毅教授的PPT）：

图源于网
这里：
x为当前状态下数据的输入，h表示接收到的上一个节点的输入。
x为当前节点状态下的输出，而 h’ 为传递到下一个节点的输出。
通过上图的公式可以看到，输出 h’ 与 x 和 h 的值都相关。
而 y 则常常使用 h’ 投入到一个线性层（主要是进行维度映射）然后使用softmax进行分类得到需要的数据。
对这里的y如何通过 h’ 计算得到往往看具体模型的使用方式。
通过序列形式的输入，我们能够得到如下形式的RNN。

图源于网

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，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

LSTM结构（图右）和普通RNN的主要输入输出区别如下所示。

图源于网
相比RNN只有一个传递状态h(t) ，LSTM有两个传输状态，一个c(t)（cell state），和一个h(t)（hidden state）。（Tips：RNN中的h(t) 对于LSTM中的 [公式] ）

其中对于传递下去的 c(t)改变得很慢，通常输出的c(t) 是上一个状态传过来的c(t) 加上一些数值。

而 h(t)则在不同节点下往往会有很大的区别。

四个状态在LSTM内部的使用

LSTM内部主要有三个阶段：

图源于网

1. 忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会 “忘记不重要的，记住重要的”。具体来说是通过计算得到的z(f)（f表示forget）来作为忘记门控，来控制上一个状态的 c(t-1)哪些需要留哪些需要忘。

2. 选择记忆阶段。这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入x(t)进行选择记忆。哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的z表示。而选择的门控信号则是由 z(i)（i代表information）来进行控制。将上面两步得到的结果相加，即可得到传输给下一个状态的 c(t) 。也就是上图中的第一个公式。

3. 输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。主要是通过z(o)来进行控制的。并且还对上一阶段得到的 c(0)进行了放缩（通过一个tanh激活函数进行变化）。

与普通RNN类似，输出y(t)往往最终也是通过h(t)变化得到。
小伙伴们看完这些概念，原理是不是头都大了。博主的上一篇文章有对lstm的实战介绍。