LSTM的学习

1、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。

相比RNN只有一个传递状态 h ，LSTM有两个传输状态，一个 c （cell state），和一个 h（hidden state）。（Tips：RNN中的 h对于LSTM中的 c ） 其中对于传递下去的 c改变得很慢，通常输出的c 是上一个状态传过来的 ct-1 加上一些数值。 而 h 则在不同节点下往往会有很大的区别

2、内部结构

首先使用LSTM的当前输入xt 和上一个状态传递下来的ht-1拼接训练得到四个状态。

其中， zf，，zi，zo 是由拼接向量乘以权重矩阵之后，再通过一个 sigmoid 激活函数转换成0到1之间的数值，来作为一种门控状态。而 z 则是将结果通过一个 tanh 激活函数将转换成-1到1之间的值（这里使用tanh 是因为这里是将其做为输入数据，而不是门控信号）。


是Hadamard Product，也就是操作矩阵中对应的元素相乘，因此要求两个相乘矩阵是同型的。
~~

3、三个阶段

**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 zf（f表示forget）来作为忘记门控，来控制上一个状态的ct-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xt 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 zi （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ct。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 zo进行控制的。并且还对上一阶段得到的co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 yt] 往往最终也是通过 ht 变化得到。

~~