一.长短期记忆网络LSTM简介
LSTM是对RNN的改进和升级，在RNN模型中，对于长期依赖的问题可能产生梯度消失和梯度爆炸，而在RNN的基础上改进而来的LSTM则特别适合解决这类需要长时间依赖的问题。LSTM相对于RNN的不同使，LSTM将“记忆细胞”进行了改造，而不是像RNN那样只有一个简单的激活函数。在LSTM中，需要记录的信息会一直传递，不需要记录的信息会被截断掉
如下图所示，部分输出和输入被从网络中删除
二.LSTM工作原理
如下图展示了LSTM的一个神经元内部的结构。每一条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；粉色的圈代表 pointwise 的操作，诸如向量的和；黄色的矩阵则是学习过程中的神经网络层；两条线和在一起表示向量的连接，比如一个十维向量和一个二十维向量合并后形成一个三十维向量；分开的线表示内容被复制，分发到不同的位置。
细胞状态
神经元之间传递的信息称为细胞状态，如下图所示，该线路用来传递神经元最主要的信息，其他线路则是通过对该线路施加影响来调整细胞状态的值
LSTM对细胞状态的控制
LSTM可以通过gates门结构来去影响细胞状态的信息，gates门结构包含一个sigmoid神经网络层次和一个pointwist乘法操作，Sigmoid层输出一个0到1之间的概率值，描述每个部分有多少量可以通过，0表示不允许任务变量通过，1表示运行所有变量通过，LSTM中主要有三个门结构来影响细胞状态，分别是：忘记门，信息增强门，输出门
1）忘记门
决定从细胞状态中丢弃什么信息；比如在语言模型中，细胞状态可能包含了性别信息(“他”或者“她”)，当我们看到新的代名词的时候，可以考虑忘记旧的数据
2）输入门
决定放什么新信息到细胞状态中；Sigmoid层决定什么值需要更新；Tanh层创建一个新的候选向量Ct
以上两个门的作用主要是对细胞状态进行更新，将Ct-1更新为Ct；将旧状态与ft相乘，丢失掉确定不要的信息；加上新的候选值it*Ct得到最终更新后的细胞状态
3）输出门
与上两个门不同，输出门的主要功能是将细胞状态值进行运算得出神经元的输出。首先运行一个sigmoid层来确定将细胞状态的哪些部分输出，使用tanh处理细胞状态得到一个在-1到1之间的值，再将它和sigmoid门的输出相乘，得到最终的输出
三.基于LSTM的改进模型
1.GRU
将忘记门和输入门合并成为一个单一的更新门，同时合并了数据单元状态和隐藏状态，结构比LSTM的结构更加简单
2.Bi-LSTM
Bi-LSTM的隐藏层要保存两个值，一个A参与正向计算，另一个值A’参与反向计算
如下图，Y2的最终输出值取决于A2和A`2
计算y2的数学方程为：
A2和A`2 计算过程为：
正向计算时，隐藏层的值st与st-1有关；反向计算时，隐藏层的值st`和st-1`有关；最终的输出取决于正向和反向计算的加和，数学方程为：
Bi-LSTM的工作原理图：
