深度学习：循环神经网络——LSTM

目录

前言

一、LSTM主要组成部分

二、LSTM的工作原理

三、LSTM的工作步骤详解

1.遗忘门

2.输入门

3.输出门

前言

        LSTM（长短期记忆网络）是一种特殊类型的循环神经网络（RNN），用于处理和预测序列数据。与传统的RNN相比，LSTM能够更好地捕捉长期依赖关系，避免了梯度消失和梯度爆炸的问题。

一、LSTM主要组成部分

1. 单元状态（Cell State）：
   1. LSTM通过单元状态来传递信息，可以在多个时间步之间保留并传递信息。
2. 门控机制： LSTM有三个主要的“门”：
   1. 遗忘门（Forget Gate）：决定哪些信息将被丢弃。
   2. 输入门（Input Gate）：决定哪些新信息将被存储到单元状态中。
   3. 输出门（Output Gate）：决定当前单元状态的哪些部分将作为输出。

二、LSTM的工作原理

1. 遗忘门：根据当前输入和前一个隐藏状态，生成一个0到1之间的值，决定丢弃哪些信息。
2. 输入门：通过sigmoid激活函数决定哪些新信息将被添加到单元状态，并通过tanh激活函数生成新的候选值。
3. 更新单元状态：结合遗忘门和输入门，更新单元状态。
4. 输出门：根据当前输入和更新后的单元状态，生成输出。

三、LSTM的工作步骤详解

1.遗忘门

左边部分

功能：决定应丢弃哪些关键词信息。

步骤：

来自前一个隐藏状态的信息和当前输入的信息同时传递到 sigmoid 函数中去，输出值介于 0 和 1 之间，越接近 0 意味着越应该丢弃，越接近 1 意味着越应该保留。

2.输入门

中间部分

功能：用于更新细胞状态。

步骤：

1、首先将前一层隐藏状态的信息和当前输入的信息传递到 sigmoid 函数中去。将值调整到 0~1 之间来决定要更新哪些信息。0 表示不重要，1 表示重要。

2、将前一层隐藏状态的信息和当前输入的信息传递到 tanh 函数中去，创造一个新的侯选值向量。最后将 sigmoid 的输出值与 tanh 的输出值相乘，sigmoid 的输出值将决定 tanh 的输出值中哪些信息是重要且需要保留下来的。

3.输出门

右边部分

功能：用来确定下一个隐藏状态的值。

步骤：

1、将前一个隐藏状态和当前输入传递到 sigmoid 函数中，然后将新得到的细胞状态传递给 tanh 函数。

2、将 tanh 的输出与 sigmoid 的输出相乘，以确定隐藏状态应携带的信息。再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。