深度学习基础篇之长短记忆递归神经网络（LSTM）

在循环神经网络（RNN）模型中，我们总结了RNN模型的优缺点。由于RNN有梯度消失的问题，因此很难处理长序列的数据。于是有人对RNN做了改进，得到了RNN的特例LSTM（Long Short-Term Memory），它可以避免常规RNN的梯度消失问题，因此在工业界得到了广泛的应用。

1、从RNN到LSTM

在RNN模型里，RNN具有如下的结构，每个序列索引位置$t$都有一个隐藏状态$h^{(t)}$。

如果我们略去每层都有的$o^{(t)}、L^{(t)}、y^{(t)}$，则RNN模型可以简化为下图的形式：

图中可以清晰的看出隐藏状态$h^{(t)}$由$x^{(t)}$和$h^{(t-1)}$得到。得到$h^{(t)}$后一方面用于当前层的模型损失，另一方面用于计算下一层的$h^{(t+1)}$。

由于RNN梯度消失的问题，大牛们对序列索引位置$t$的隐藏结构做了改进，通过一些复杂结构避免了梯度的消失问题，这样的特殊RNN就是我们的LSTM。由于LSTM有很多的变种，这里以我们最常见的LSTM为例讲述，LSTM的结构如下图：

可以看到LSTM的结构比RNN复杂的多，下面具体讲下LSTM模型的结构。

2、LSTM模型结构解析

上面我们给出了LSTM的模型结构，下面我们就一点点的剖析LSTM模型在每个序列索引位置$t$时刻的内部结构。

从上图可以看出，在每个序列索引位置$t$时刻向前传播的除了和RNN一样的隐藏状态$h^{(t)}$，还多了另一个隐藏状态，如图中上面的横线。这个隐藏状态我们一般称之为细胞状态（Cell State），记为$C^{(t)}$。如下图所示：

除了细胞状态，LSTM图中还有很多各种各样的结构，这些结构一般被称为门控结构（Gate）。LSTM在每个序列索引位置$t$的门一般包括遗忘门、输入门和输出门三种，每个门的用途如下图所示。

2.1 LSTM之遗忘门

遗忘门（forget gate）顾名思义，是控制是否遗忘的，在LSTM中以一定概率控制是否遗忘上一层的隐藏细胞状态，遗忘门子结构如下图所示：

图中的输入包括上一序列的隐藏状态$h^{(t-1)}$和本序列的$x^{(t)}$，通过激活函数sigmoid得到遗忘门$f^{(t)}$。由于sigmoid的输出$f^{(t)}$在[0, 1]之间，因此这里的输出$f^{(t)}$代表了遗忘上一层隐藏细胞状态的概率。数学表达式为：
$$f^{(t)}=\sigma (W_f{h}^{(t-1)}+U_f{x}^{(t)}+b^{}$$