论文解读(21)- RNN，LSTM，GRU
这次是来好好系统回顾一下这些经典的模型算法
参考：
人人都能看懂的LSTM - 知乎
史上最详细循环神经网络讲解（RNN/LSTM/GRU） - 知乎
LSTM从入门到精通（形象的图解，详细的代码和注释，完美的数学推导过程）_lstm模型-CSDN博客
1. RNN
循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络。
（比如，理解单词在句子中的上下文）
- 相当于存在了一个会变化的状态
主要缺点：
1）长期依赖问题导致的梯度消失：如果我们的句子很长，他在第1000个记忆细胞还能记住并很好的利用第1个细胞的记忆状态吗？答案显然是否定的
2）梯度爆炸：
推导公式：
- L是损失
（真的很详细，建议回头手推一次）
2. 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。
- 就是在长序列上有更好的表现
LSTM有了Memory Cell和Forget Gate：
三个门：
- Input Gate：中文是输入门，在每一时刻从输入层输入的信息会首先经过输入门，输入门的开关会决定这一时刻是否会有信息输入到Memory Cell。
- Output Gate：中文是输出门，每一时刻是否有信息从Memory Cell输出取决于这一道门。
- Forget Gate：中文是遗忘门，每一时刻Memory Cell里的值都会经历一个是否被遗忘的过程，就是由该门控制的，如果打卡，那么将会把Memory Cell里的值清除，也就是遗忘掉。
3. GRU
推荐视频：
【重温经典】GRU循环神经网络 —— LSTM的轻量级版本，大白话讲解_哔哩哔哩_bilibili
具有了记忆和遗忘的功能
优点：参数量少
