Matalb实现长短期记忆网络 长短期记忆网络原理

LSTM长短期记忆网络：

它是一种特殊的RNN网络，可以很好的解决长时依赖问题，与常规神经网络有什么不同？

传统的RNN为

可以看到它的处理层非常简单，通常是一个单tanh层，通过当前输入及上一时刻的输出来得到当前输出。这样就可以利用上一时刻学习到的信息进行当前时刻的学习了。例如处理语音识别，语言模型，机器翻译等LSTM的结构和上面相似：

LSTM可以通过门控单元可以对细胞添加和删除信息。通过门可以有选择地决定信息是否通过，它有一个sigmoid（自变量为负无穷到正无穷，值域为0到1）神经网络层和一个乘法操作组成，如下：

该层的输出是一个介于0到1的数，表示允许信息通过的多少，0 表示完全不允许通过，1表示允许完全通过。

第一步，遗忘门，是用来决定什么信息可以通过细胞层。这个决定由“forget gate”层通过sigmoid来控制，它会根据上一时刻的输出通过或部分通过。如下：

第二步，输入门，是产生我们需要更新的新信息。这一步包含两部分，第一个是一个“input gate”层通过sigmoid来决定哪些值用来更新（将前一层隐藏状态的信息和当前输入的信息传递到 sigmoid 函数中去。将值调整到 0，1 之间来决定要更新哪些信息。0 表示不重要，1 表示重要），第二个是一个tanh层用来生成新的候选值相加，得到了候选值。最后将 sigmoid 的输出值与 tanh 的输出值相乘，sigmoid 的输出值将决定 tanh 的输出值中哪些信息是重要且需要保留下来的。这两个加起来就是丢掉不需要的信息，添加新信息的过程：

01遗忘门

02输入门

03细胞状态

04输出门