1、概述
上一讲说到，虽然简单的循环神经网络理论上可以建立长时间间隔的依赖关系，但是由于梯度爆炸或梯度消失问题，实际上只能解决短周期的依赖关系。而引入“门机制”的LSTM (Long Short-Term Memory)可以解决这个问题。那么，这节就简单来看看LSTM的网络结构及其变体。
2、网络结构
LSTM通过刻意的设计来避免长期依赖问题，先来看看标准的RNN，如下图所示，这里的激活函数使用tanh函数，
而LSTM网络也是使用这样的结构，只是循环体用了不同的结构，如下图所示，
上图中使用的各个元素的图标的含义如下图所示，
其中，方框表示神经网络层；圆圈表示运算操作，如向量和；黑线传输着一整个向量，从一个节点的输出到其他节点的输入；合在一起的线表示向量的连接，分开的线表示内容被复制并分发到不同的位置。
3、核心思想
LSTM的核心思想是引入了细胞状态的连接，细胞状态用来存放想存放想要记忆的东西。如下图所示，
细胞状态类似于传送带，直接在整个链上运行，只有少量的线性交互，信息在上面流传保持不变很容易。
LSTM有通过精心设计的“门”结构来去除或者增加信息到细胞状态的能力。门是一种让信息选择通过的方法，它们包含一个Sigmoid神经网络层和一个乘法操作。Sigmoid层输出0到1之间的数，描述每个部分有多少量可以通过，0代表不允许任何量通过，1表示允许任何量通过，结构如下图所示，
LSTM拥有3个门，分别是忘记门，输入门，输出门，用来保护和控制细胞状态。下面分别来介绍。
6、输出门
输出门就是通过一个Sigmoid层来确定细胞状态的哪个部分将输出出去。把细胞状态通过Tanh进行处理，得到一个-1到1之间的值，并将它和Sigmoid门的输出相乘，最终仅仅输出确定输出的部分。结构如下图所示，
7、LSTM变体
Peephole
该结构如下图所示，
这个模型增加了peepgole到每个门上，让门也接受细胞状态的输入。
GRU
该结构如下图所示，
这个模型将忘记门和输入门合并成一个单一的更新门，还混合了细胞状态和隐藏状态以及其他一些改动，最终使得该模型比标准LSTM模型要简单，但效果一样。
Tensorflow或其他深度学习框架都集成了LSTM等接口，不理解也没多大关系，会用就行。下一讲，我们就使用LSTM来实现分离音乐中的人声和背景音乐。
