LSTM（长短时记忆网络）

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：

RNN可以根据前面几个单词有效预测出空白处单词为sky。

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：

$x_{t}$ :当前时刻输入信息

$h_{t-1}$ :上一时刻的隐藏状态

$h_{t}$ :传递到下一时刻的隐藏状态

$\sigma$ :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 $C_{t-1}$ 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 $C_{t}$

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 $C_{1}$ 传送到 $C_{t}$ ，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 $C_{t-1}$ ，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 $W_{f}$ 对 $h_{t-1}$ 和 $x_{t}$ 拼接而成的矩阵进行矩阵相乘，再加上偏置 $b_{f}$ ，投入到sigmoid函数中，得到一个与 $C_{t-1}$ 相同维度的矩阵 $f_{t}$ ，比如，得到 $f_{t}$ 为[ 0,0,1,0]，矩阵中每一个值都决定 $C_{t-1}$ 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 $\tilde{C}_{t}$ 相同维度的矩阵 $i_{t}$ ，比如，得到 $i_{t}$ 为 [ 0,0,1,0]，矩阵中每一个值都决定 $\tilde{C}_{t}$ 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 $\tilde{C}_{t}$ ，它保存了 $x_{t}$ 和 $h_{t-1}$ 中的信息，然后与 $i_{t}$ 的值点乘，来决定哪些记忆是有用的，依然 $i_{t}$ 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 $\tilde{C}_{t}$ 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。