金母鸡量化教学场一种特殊的RNNLSTM

今天来认识一种特殊的RNN——长短期记忆（LSTM）。

一、什么是LSTM

长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

LSTM结构和普通RNN的主要输入输出区别如下所示：

相比RNN只有一个传递状态，LSTM有两个传输状态。

二、深入剖析LSTM

下面具体对LSTM的内部结构来进行剖析。

使用LSTM拼接训练得到四个状态：

其中，Zf、Zi、Z0是由拼接向量乘以权重矩阵之后，再通过一个sigmoid激活函数转换成0到1之间的数值，来作为一种门控状态。而Z 则是将结果通过一个tanh激活函数将转换成-1到1之间的值。

下面开始进一步介绍这四个状态在LSTM内部的使用：

LSTM内部主要有三个阶段：

1、忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会 “忘记不重要的，记住重要的”。

具体来说是通过计算得到的Zf（f表示forget）来作为忘记门控，来控制上一个状态的Ct−1 哪些需要留哪些需要忘。

选择记忆阶段。这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入Xt进行选择记忆。哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的Z表示。而选择的门控信号则是由 Zi（i代表information）来进行控制。

3、输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。主要是通过Z0来进行控制的。并且还对上一阶段得到的C0进行了放缩（通过一个tanh激活函数进行变化）。

与普通RNN类似，输出yt往往最终也是通过ht 变化得到。

三、总结

以上，就是LSTM的内部结构。通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息；而不像普通的RNN那样只能够“呆萌”地仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说，尤其好用。

但也因为引入了很多内容，导致参数变多，也使得训练难度加大了很多。因此很多时候我们往往会使用效果和LSTM相当但参数更少的GRU来构建大训练量的模型。