《神经网络》—— 长短期记忆网络（Long Short-Term Memory，LSTM）

文章目录

一、LSTM的简单介绍
二、 LSTM的核心组件
三、 LSTM的优势
四、应用场景

一、LSTM的简单介绍

传统RNN循环神经网络的局限：
- 示例：当出现“我的职业是程序员。。。。。。我最擅长的是电脑”。当需要预测最后的词“电脑”。当前的信息建议下一个词可能是一种技能，但是如果我们需要弄清楚是什么技能，需要先前提到的离当前位置很远的“职业是程序员”的上下文。这说明相关信息和当前预测位置之间的间隔就变得相当的大。
- 在理论上，RNN绝对可以处理这样的长期依赖问题。人们可以仔细挑选参数来解决这类问题中的最初级形式，但在实践中，RNN则没法太好的学习到这些知识
- 原因是：梯度会随着时间的推移不断下降减少，而当梯度值变得非常小时，就不会继续学习。
长短期记忆网络（Long Short-Term Memory，LSTM）是一种特殊的循环神经网络（Recurrent Neural Network, RNN），主要设计用来解决传统RNN在处理长序列数据时存在的梯度消失或梯度爆炸问题。LSTM通过引入门（Gate）机制，使得网络能够记住长期依赖的信息，同时忽略不重要的信息。
下面链接中是对RNN网络的介绍：
- https://blog.csdn.net/weixin_73504499/article/details/142770470?spm=1001.2014.3001.5501
以下为LSTM的内部结构图：
LSTM相当于在RNN的隐藏层的内部结构中进行了上图中进一步的改进，并循环的向后输出数据，如下图所示：

二、 LSTM的核心组件

LSTM的核心在于其细胞状态（Cell State）和三个“门”机制：遗忘门（Forget Gate）、输入门（Input Gate）和输出门（Output Gate）。

细胞状态（Cell State）：
- 细胞状态是LSTM中的“记忆”线，它沿着整个链一直传递下去，只有一些少量的线性操作作用于其上，因此信息可以很容易地流过而不改变。
- 如下图所示：
遗忘门（Forget Gate）：
- 遗忘门决定了上一细胞状态中的哪些信息需要被丢弃。它通过查看前一个隐藏状态 $h_{t-1}$ 和当前输入 $x_t$ ，然后由sigmoid函数输出一个0到1之间的数，这个数表示细胞状态中信息的保留程度（1表示完全保留，0表示完全丢弃）。
- 如下图为遗忘门结构和计算公式
输入门（Input Gate）：
- 输入门决定了当前输入 $x_t$ 中哪些信息需要被加入到细胞状态中。它首先通过sigmoid层决定哪些值需要更新，然后tanh层创建一个新的候选值向量 $\tilde{C}_t$ ，这个向量可能会被加入到细胞状态中。
- 如下图为输入门结构和计算公式
细胞状态更新：
- 旧的细胞状态 $C_{t-1}$ 通过遗忘门和输入门的作用，更新为新的细胞状态 $C_t$ 。
- 下图为更新结构图和计算公式
输出门（Output Gate）：
- 输出门决定了基于细胞状态的当前输出是什么。首先，一个sigmoid层决定细胞状态的哪些部分需要输出。然后，细胞状态通过tanh处理（将其值规范化到-1到1之间），再与sigmoid层的输出相乘，最终得到当前时间步的输出 $h_t$ 。
- 下图为输出门的结构图和计算公式