关于lstm超参数设置，每个参数都有合适的范围，超过这个范围则lstm训练不再有效，loss不变，acc也不变
LSTM，全称长短期记忆网络（Long Short-Term Memory），是一种特殊的循环神经网络（RNN）结构，旨在解决传统RNN在处理长序列数据时遇到的梯度消失或梯度爆炸问题。LSTM通过引入三个门控机制（遗忘门、输入门和输出门）以及一个细胞状态（cell state），使得网络能够更有效地捕捉长距离依赖关系。
LSTM的核心组件：
-
遗忘门（Forget Gate）：
- 决定从细胞状态中丢弃哪些信息。
- 通过一个sigmoid层来决定哪些信息需要保留，哪些信息需要遗忘。
-
输入门（Input Gate）：
- 决定哪些新的信息将被存储在细胞状态中。
- 首先，一个sigmoid层决定哪些值需要更新。
- 然后，一个tanh层生成一个新的候选值向量，这个向量可能会被加到细胞状态中。
-
细胞状态（Cell State）：
- LSTM的“记忆”线，贯穿整个链，只有一些少量的线性操作作用于它，使得信息能够很容易地流过而不改变。
- 细胞状态通过遗忘门和输入门的操作来更新。
-
输出门（Output Gate）：
- 基于细胞状态，决定输出什么值。
- 首先，通过一个sigmoid层来决定细胞状态的哪些部分将被输出。
- 然后，将细胞状态通过tanh（将值规范到-1到1之间）处理，并与sigmoid层的输出相乘，得到最终的输出。
LSTM的工作流程：
- 遗忘阶段：通过遗忘门选择性地遗忘细胞状态中的信息。
- 选择记忆阶段：通过输入门决定哪些新信息将被添加到细胞状态中，并生成一个候选值向量。
- 更新细胞状态：结合遗忘阶段和选择记忆阶段的信息，更新细胞状态。
- 输出阶段：基于更新后的细胞状态，通过输出门决定输出什么信息。
LSTM的应用：
由于LSTM能够捕捉长距离依赖关系，它在处理序列数据方面表现出色，广泛应用于自然语言处理（如机器翻译、文本生成、情感分析等）、语音识别、时间序列预测等领域。
LSTM的变体：
除了标准的LSTM结构外，还有一些变体，如GRU（门控循环单元），它简化了LSTM的结构，同时保持了其捕捉长距离依赖的能力。这些变体在某些任务上可能表现得更好或更差，具体取决于任务的性质和数据的特性。
