LSTM原理与结构

 LSTM - 长短期记忆网络，特殊的RNN，能够学习长依赖关系。结构原理也十分的简单易懂。

 先来看看RNN和LSTM长啥样先，不急~~

标准的RNN长这个样：

而标准的LSTM长这个样：

！！！！

在RNN中一个Cell输出的ht和Ct是相同的，而LSTM的一个cell输出的ht和Ct是不同的

下面对图里的一些组件说明：依次是神经网络层、向量点积/向量乘法…

 我们称下图中的一个绿色框为一个cell（细胞），那么图中最上面那条黑线，是细胞状态（可以理解为一些有用的信息）的传输通道，然后经过这条通道上的红色圆圈，相当于对上一步的细胞状态进行加个整改，然后输出这一步的细胞状态。

下面解剖一下细胞里的结构以及工作机制（4个部分）：

1.遗忘门

 首先，它将上一步的输出ht-1和这一步的输入xt进行合并，然后经过一个全连接层和sigmoid激活函数层得到ft（因为使用来sigmoid，所以ft的输出在0-1之间）。然后ft和上一步的细胞状态Ct-1相乘，其作用就相当于我们从上一步的状态中丢弃什么信息，保留什么信息。就相当于商品价格乘上折扣，打了个折一样呗。

2.输入门

 首先，也是将上一步的输出ht-1和这一步的输入xt进行合并，然后经过一个全连接层和sigmoid激活函数层得到it（因为使用来sigmoid，所以ft的输出在0-1之间）.
然后也是将上一步的输出ht-1和这一步的输入xt进行合并，经过一个全连接层和tanh激活函数层得到Ct（顶上有波浪线），它代表的是备选用来更新的内容，将它与it相乘，就相当于筛选出哪些部分需要被更新。这样我们得到了新的信息。。

 将这个新的信息与遗忘门的输出相加，作用就相当于用这里的新的信息去替换掉遗忘丢弃了的旧信息，这样我们就得到了当前的新的细胞状态Ct。

3.输出门

 细胞的输出，就是将细胞状态进行进一步的过滤提取信息，以决定我们要输出细胞状态态中的哪些部分。
首先是将上一步的输出ht-1和这一步的输入xt进行合并传入sigmoid激活函数层，然后将其与通过了tanh激活函数层的新的细胞状态相乘，就得到了该细胞的输出ht。

 
 
论文里的图引自：Understanding LSTM Networks