目录
一、什么是LSTM?
二、LSTM详解
0.什么是门？
1. 遗忘门
2.输入门
3.更新记忆
4.输出门
一、什么是LSTM?
LSTM是RNN的一种，可以解决RNN短时记忆的不足，当一条序列足够长，那RNN将很难将信息从较早的时间步传送到后面的时间步，而LSTM能学习长期依赖的信息，记住较早时间步的信息，因此可以做到联系上下文。
比如：
1.
RNN可以根据前面几个单词有效预测出空白处单词为sky。
2.
RNN可以根据空格处附近的信息得出，这里应该填一种语言，但还不知道具体是哪种语言，我们想的是让模型根据前文的I grew up in France，得出这里应该是法语，但是序列相隔距离太远，RNN做不到有效利用历史信息，所以我们需要依靠LSTM来完成。
二、LSTM详解
LSTM有三个门，分别为遗忘门，输入门（有的也叫更新门，候选门，作用是一样的），输出门。通过这三个门来控制哪些信息该遗忘丢弃，哪些信息该保留，或者保持不变。就像管道阀门一样，控制流通不流通。
先来看一张lstm结构的展开图，后面对三个门及作用进行拆解。
符号说明：
:当前时刻输入信息
:上一时刻的隐藏状态
:传递到下一时刻的隐藏状态
:sigmoid函数，通过这个函数可以将数据变为0-1范围的数值。
tanh: tanh函数，通过这个函数可以将数据变为[-1,1]范围的数值
LSTM的特点：
lstm比rnn多一个细胞状态（cell state），也有人叫记忆细胞。
下图中的水平黑线表示上一时刻的细胞状态
通过三个门的控制及线性运算来决定哪些信息该遗忘丢弃，哪些信息该保留，或者不变，从而生成当前时刻的细胞状态
，然后输出到下一时刻，以此来进行记忆的更新。这只是某个时刻的细胞状态的更新过程，在整个长序列中，每个时刻的细胞状态都对上一时刻的信息选择性的进行遗忘丢弃，或者保留，或者不变，对记忆进行更新，从
传送到
，因此可以做到长期记忆。
0.什么是门？
LSTM通过门（gate）来控制细胞状态遗忘或添加记忆，门的结构就是一个sigmoid层再点乘上一时刻的细胞状态，下图就是一个门。
sigmoid层输出的值范围在[0, 1]，可以作为门控信号，0点乘任何值还是0，表示过不去，这些记忆就遗忘了，1表示可以通过，记忆就保留下来了。
1. 遗忘门
遗忘门的作用对象是细胞状态
，作用是控制细胞状态中的信息进行选择性的遗忘，决定哪部分需要丢弃，哪些需要保留。那么是如何控制细胞状态选择性遗忘记忆的呢，我们结合公式来看:
遗忘门的公式：
权重矩阵
对
和
拼接而成的矩阵进行矩阵相乘，再加上偏置
，投入到sigmoid函数中，得到一个与
相同维度的矩阵
， 比如，得到
为[ 0,0,1,0]，矩阵中每一个值都决定
中对应信息的遗忘或保留，0代表彻底丢弃，1代表完全保留。
比如一个语言模型，根据之前的所有词预测下一个词。细胞状态可能已经记住了当前人物的性别，以便下次预测人称代词（他还是她），但当出现一个新人物时，需要将上一个人物的性别忘掉。
举例：
小明是一个帅气的男生，小美喜欢...，当处理到‘’小美‘’的时候，需要选择性的忘记前面的’小明’，或者说减小这个词对后面词的作用。
2.输入门
输入门的作用对象也是细胞状态，作用是决定要往细胞状态中存储哪些新的信息，也就是细胞状态选择性的添加哪些新的记忆。那么如何决定添加哪些新的信息呢，输入门分两个部分进行。
第一部分：
构建一个输入门，决定哪些信息被添加到细胞状态中，作为新的记忆。
输入门公式：
与遗忘门公式差不多，输入门通过线性运算得到一个与
相同维度的矩阵
， 比如，得到
为 [ 0,0,1,0]，矩阵中每一个值都决定
中对应信息的丢弃或保留，0代表彻底丢弃，1代表完全保留
第二部分：
构建出一个候选细胞状态
，它保存了
和
中的信息，然后与
的值点乘，来决定哪些记忆是有用的，依然
中0代表彻底丢弃，1代表完全保留，这样保留下来的信息作为新的记忆添加给新的细胞状态，所以这里
叫候选细胞状态，它只是一个等候选择的，有用的才会被作为新记忆添加。
候选细胞状态
的公式：
接着上一个例子：
这一步传入了一些信息，比如小美喜欢穿裙子，输入门就是要在这些信息中筛选出来有用的，用来记住新人物的性别，记住小美的性别为女，作为新的记忆添加。
3.更新记忆
新的细胞状态中的记忆由两部分构成。
一部分是，上一时刻的记忆细胞遗忘掉没用的记忆后剩下的旧记忆
另一部分是，输入门中把有用的信息筛选出来当作新的记忆
新的细胞状态的公式：
点乘
表示处理后的旧记忆，
点乘
表示需要添加的新记忆，加起来就是新的细胞状态。
继续举例：
小明是一个帅气的男生，小美喜欢穿裙子，这一步是要忘记小明性别为男，记住小美性别为女。
4.输出门
输出门的作用是决定最终输出什么，也就是
，这个输出是以新的细胞状态
为基础的，分两部分进行。
第一部分：
依然使用sigmoid层来得到
，比如
=[0,0,0,1]，来决定哪部分细胞状态需要被输出，需要的记忆才输出，并不是所有的都输出。
的公式：
第二部分：
把新的细胞状态通过tanh函数处理，将输出值变为[-1. 1]，再点乘
，来控制哪部分需要输出。
的公式：
