LSTM是RNN(循环神经网络)的变体，所以我们可以基于RNN来了解长短期记忆（Long Short-Term Memory, 简称 LSTM）.

1.基础认知

什么是RNN:什么是循环神经网络 RNN (深度学习)?_哔哩哔哩_bilibili

什么是循环神经网络 RNN (深度学习)?_哔哩哔哩_bilibili

什么是长短时记忆网络LSTM？【知多少】_哔哩哔哩_bilibili

2.LSTM结构

理解LSTM网络：理解 LSTM 网络 - 简书

https://colah.github.io/posts/2015-08-Understanding-LSTMs/

自己的理解：

对于传统的神经网络而言，之前的训练结果对后期的训练并没有什么帮助，但是在经验主义的我们看来，过去的知识对于现在的问题的解决一定是有帮助的。那么，循环神经网络就是借助于先前理论来解决现在问题的一种思想，是不是很符合人类的思维。下图是循环神经网络的结构图。

RNN就可以看作同一神经网络的多次复制，每个神经网络模块把消息传给下一代。展开如下图。

 但是对于短期记忆而言，RNN是有效的，但是长期记忆就没有那么有效。因此，引出了长短期神经网络LSTM,将长期记忆当作是默认行为，LSTM区别于RNN不同的是在于重复模块的结构。如下图所示。

 接下来看LSTM的核心思想。（这里原文讲的话弄清楚）

门：让信息选择通过。LSTM 有通过精心设计的称作为“门”的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式通过的方法。他们包含一个 sigmoid 神经网络层和一个按位的乘法操作。Sigmoid 层输出 0 到 1之间的数值，描述每个部分有多少量可以通过。0代表“不许任何量通过”，1就指“允许任意量通过”！

 LSTM 拥有三个门，来保护和控制细胞状态。

逐步理解LSTM。

1.忘记门层：决定我们从细胞中丢弃什么信息。该门会读取h(t-1) 和 ，输出一个在 到 之间的数值给每个在细胞状态 中的数字。

 

2.下一步是确定什么样的新信息被存放在细胞状态中。第一，sigmoid 层称 “输入门层” 决定什么值我们将要更新。然后，一个 tanh 层创建一个新的候选值向量，，会被加入到状态中。

 

 3.更新旧信息。

 

 4.决定输出什么值。

首先，我们运行一个 sigmoid 层来确定细胞状态的哪个部分将输出出去。接着，我们把细胞状态通过 tanh 进行处理（得到一个在 -1 到 之间的值）并将它和 sigmoid 门的输出相乘，最终我们仅仅会输出我们确定输出的那部分。

这就是整个过程。总结一下就是，第一个门决定我们要忘记什么信息；第二个门决定什么样的信息新信息会被放入细胞中。然后进行替换。最后一个门决定输出。

具体的实现代码：TensorFlow中简单的LSTM代码实现_小码仔-CSDN博客_lstm代码实现

接下来我们来看看LSTM有什么延申之处。改动较大的变体是 Gated Recurrent Unit (GRU)，这是由 Cho, et al. (2014) 提出。它将忘记门和输入门合成了一个单一的 更新门。同样还混合了细胞状态和隐藏状态，和其他一些改动。最终的模型比标准的 LSTM 模型要简单，也是非常流行的变体。