我理解的RNN、LSTM的工作

最近看RNN和LSTM 的工作原理看了很多，也慢慢有了些体会。

先从输入输出介绍（大部分来自知乎）

例如这样一个数据集合，总共100条句子，每个句子20个词，每个词都由一个80维的向量表示。在lstm中，单个样本即单条句子输入下（shape是 [1 , 20, 80]），假如设定每一个time step的输入是一个词（当然这不一定，你也可以调成两个词或者更多个数的词），则在t0时刻是第一个时间步，输入x0则为代表一条句子（一个样本）中第1个词的80维向量，t1是第二个时间步，x1表示该句子中第2个词的80维向量，依次类推t19输入是最后一个词即第20个词的向量表示。

这里应该配上图，这个图就是RNN的一个模型，展示的是一个样例也就是一个句子怎么在模型中计算的

step1, raw text:
接触LSTM模型不久，简单看了一些相关的论文，还没有动手实现过。然而至今仍然想不通LSTM神经网络究竟是怎么工作的。……

step2, tokenize (中文得分词):
sentence1: 接触 LSTM 模型 不久 ，简单 看了 一些 相关的 论文 ， 还 没有 动手 实现过 。
sentence2: 然而 至今 仍然 想不通 LSTM 神经网络 究竟是 怎么 工作的。
……

step3, dictionarize:
sentence1: 1 34 21 98 10 23 9 23
sentence2: 17 12 21 12 8 10 13 79 31 44 9 23
……

step4, padding every sentence to fixed length:
sentence1: 1 34 21 98 10 23 9 23 0 0 0 0 0
sentence2: 17 12 21 12 8 10 13 79 31 44 9 23 0
……

step5, mapping token to an embeddings:
sentence1:
,每一列代表一个词向量，词向量维度自行确定；矩阵列数固定为time_step length。
sentence2:
……
上面的矩阵，一列是一个词的向量表示，一共有句子长度个列
step6, feed into RNNs as input:
假设 一个RNN的time_step 确定为 ,则padded sentence length(step5中矩阵列数)固定为 。一次RNNs的run只处理一条sentence。每个sentence的每个token的embedding对应了每个时序 的输入 。一次RNNs的run，连续地将整个sentence处理完。 这里的i是样本的标号，也就是第几个句子，t就是当前时序，比如t=0的时候，i=0，输入的就是第一个句子第一个词的向量，t=1，i=0时，是第一个句子第二个词的向量，t=0,i=1,输入的时第二个句子第一个词的向量

所以模型的输入层的维度就是词向量的维度（对一个样例，就是单个句子来说）（这些是我自己的理解，要是不对及时指正啊啊啊）

step7, get output:
看图，每个time_step都是可以输出当前时序 的隐状态 ；但整体RNN的输出 是在最后一个time_step 时获取，才是完整的最终结果。

step8, further processing with the output:
我们可以将output根据分类任务或回归拟合任务的不同，分别进一步处理。比如，传给cross_entropy&softmax进行分类……或者获取每个time_step对应的隐状态 ，做seq2seq 网络……或者搞创新……

RNN与LSTM的区别

推荐几篇文章

https://blog.csdn.net/wangyangzhizhou/article/details/76651116

博主介绍的很详细，我就是看了这个才明白的