目录
一、LSTM提出的背景：
1.RNN存在的问题：
由于RNN的隐藏状态ht用于记录每个句子之前的所有序列信息，而对于长序列问题来说ht会记录太多序列信息导致序列时序特征区分度很差（最前面的序列特征因为进行了太多轮迭代往往不太好从ht中提取），并且RNN默认当前时间步的token单词和该句子的隐藏状态ht中所有序列信息都有同等的相关度，因此一些比较靠前但与当前时间步输入的token相关性高的序列特征在ht中可能就不太被重视，而一些比较靠后但与当前时间步输入的token相关性低的序列特征在ht中被过于关注。
2.LSTM的思想：
2.1回顾GRU的提出：
GRU的提出就是为了解决RNN默认序列内所有token之间的相关性相等问题。
GRU的思想是对于每个时间步的输入token，使用门的控制将隐藏状态ht中与当前token相关性高的序列信息拿来参与计算，而ht中与当前token相关性低的序列信息作为噪音不参与计算。
- 对于需要关注的序列信息，使用更新门来提高关注度
- 对于需要遗忘的序列信息，使用遗忘门来降低关注度
2.2LSTM在GRU上的改进：
LSTM可以理解成GRU的变体，保留了重置门（遗忘门）用来对过去所有时间步的序列信息进行选择、更新门（输入门）用来对当前一个时间步的序列信息进行选择。在此基础上增加了记忆单元Ot用来保存长序列的序列特征，而Ht仅需要保存短序列的序列特征即可，解决了Ht不能很好的保存长序列信息的缺点 。除此之外还增加了输出门的概念来控制Ot中分配多少个时间步的序列信息给Ht。
二、遗忘门、输入门、输出门：
遗忘门、输入门、输出门可以分别看做一个全连接层的隐藏层，这样的话上图就等价于三个并排的隐藏层，其中：
- 每个隐藏层都接收之前时间步的隐藏状态Ht-1和当前时间步的输入token。
- 遗忘门、输入门、输出门有各自的可学习权重参数和偏置值，公式含义类似传统RNN。
- Ft、It、Ot 都是根据过去的隐藏状态 Ht-1 和当前输入 Xt 计算得到的 [0,1] 之间的量（激活函数）。
三、LSTM网络架构：
1.候选记忆单元C~t：
候选记忆单元的计算公式类似于RNN计算Ht的公式，用来记录当前时间步token的序列信息和前t-1个时间步的序列信息。
2.遗忘门、输入门、输出门如何发挥作用：
2.1记忆单元Ct：
首先LSTM在Ht的基础上加入了Ct，其中Ht仅需记录短期序列信息，Ct负责记录长期序列信息。
并且LSTM主要是对Ct更新 ，而GRU和RNN主要是对Ht更新。
(1)因为Ft是一个[0,1] 之间的量，所以Ft×Ct-1是对之前的长期序列信息Ot-1进行一次选择：Ft 在某个位置的值越趋近于0，则表示Ot-1这个位置的序列信息越倾向于被丢弃，反之保留。
综上，遗忘门的作用是对过去的长序列信息Ot-1进行选择，Ot-1中哪些序列信息当前的Ct是有用的，应该被保存下来，而哪些序列信息是不重要的，应该被遗忘。
(2)因为It是一个[0,1] 之间的量，如果It全为0，则当前记忆单元Ot为上一个时间步的记忆单元Ot-1；如果It全为1，则当前记忆单元Ot为上一个时间步的记忆单元Ot-1和候选记忆单元O~t（候选记忆单元记录当前时间步token的序列信息和前t-1个时间步的序列信息）的和（感觉这里Ot-1和O~t中记录的过去序列信息重复了，设计好像有冗余问题，没有GRU那么完美）。
综上，输入门的作用是决定当前一个时间步的序列信息是否保留，如果It全为1，则说明当前时间步token的序列信息是有用的（候选记忆单元记录当前时间步token的序列信息和前t-1个时间步的序列信息），保留下来加入到记忆单元Ot中；如果It全为0，则说明当前时间步token的序列信息是没有用的，丢弃当前token的序列信息，直接使用上一个时间步的记忆单元Ot-1作为当前的记忆单元Ot（记录迄今t为止长序列信息）。（Ot-1仅包含之前的长序列信息，不包含当前一个时间步的序列信息）
下图形象的展示了遗忘门和输入门的作用：
LSTM 3D视频讲解链接
注意GRU中的遗忘门和输入门是对Ht的修改，而LSTM中的遗忘门和输入门是对Ct的修改。
注意记忆单元Ct输出范围是[-2,2]
2.2隐藏状态Ht:
因为Ct是一个[-2,2] 之间的量，为了保证Ht的输出范围，所以需要取tan将Ct变为[-1,1]的范围内。
因为Ot是一个[0,1]之间的量，所以输出门的主要作用是控制当前隐藏状态Ht（记录短期序列信息）的输出，即决定从记忆单元Ot（记录长期序列信息）中传递多久的序列信息给Ht。
3.LSTM：
LSTM网络架构如下，可以看做是四个隐藏层并排的架构。
LSTM不仅循环隐藏状态Ht，还循环记忆单元Ct，其中Ct和Ht分别保存长、短期序列信息 ，这也是长短期记忆网络的由来。
四、训练过程举例******：
以下文预测问题为例，一次epoch训练过程如下。
1.对整个文本进行数据预处理，获得数据字典，这里假设字典中有vocab_size条字典序，这样就转换成了一个vocab_size分类的序列问题。
2.将每个单词token值使用独热编码转换成1×vocab_size的一维向量，作为特征，表示各分类上的概率。
3.每轮epoch输入格式为batch_num×batch_size×num_steps×vocab_size ，其中batch_num表示该轮压迫训练多少个batch，batch_size表示每个batch中有多少个句子序列，每个句子有num_steps个单词token，即该batch要训练多少个时间步，即循环time_step次传统神经网络，每个单词为一个一维向量，表示在字典序上的概率。每次训练一个batch，每个时间步t使用该batch中所有batch_size个序列的第t个token集合Xt进行训练（num_steps=t的token），batch尺寸为batch_size×num_steps×vocab_size，Xt尺寸为batch_size×vocab_size 。
4.隐藏层参数Whh维度为num_hiddens×num_hiddens ，表示隐藏层关于序列信息（隐藏状态）的权重矩阵；Whx维度为vocab_size×num_hiddens ，表示隐藏层关于输入特征的权重矩阵；参数bh维度为1×num_hiddens 。
5.四个并行隐藏层各自的参数Whi、Whf、Who、Whc维度计算为num_hiddens×num_hiddens，表示隐藏层关于序列信息（隐藏状态）的权重矩阵；四个并行隐藏层各自的参数Wxi、Wxf、Wxo、Wxc维度计算为vocab_size×num_hiddens，表示隐藏层关于输入特征的权重矩阵；参数bi、bf、bo、bc维度计算为1×num_hiddens。这里由于四个隐藏层输出维度相同，所以隐藏内的神经元数目都是相同的=num_hiddens。
6.对于第一个batch，训练过程如下：
6.1.初始化0时刻短序列信息h0，尺寸为(batch_size，神经元个数num_hiddens) 。
6.2.初始化0时刻长序列信息C0，尺寸为(batch_size，神经元个数num_hiddens) 。
6.3.t1时间步num_steps=1，取该batch所有序列样本的第一个token组成x0，尺寸batch_size×vocab_size ，每个vocab一维向量并行放入神经网络学习，首先x0中每个token和ho同时进入遗忘门隐藏层、输入门隐藏层、输出门隐藏层和候选记忆单元隐藏层，输入门隐藏层输出I1=sigmoid(Whi×h0+Wxi×x0+bi)、遗忘门隐藏层输出F1=sigmoid(Whf×h0+Wxf×x0+bf)、输出门隐藏层输出O1=sigmoid(Who×h0+Wxo×x0+bo)、候选记忆单元隐藏层C~1=sigmoid(Whc×h0+Wxc×x0+bc)，四个隐藏层分别用来筛选Ct和Ht序列信息，输出维度均为batch_size×num_hiddens。
6.4.F1、I1、C~1和记忆单元C0联合计算，使用遗忘门对过去的序列信息进行筛选、使用输入门对当前的序列信息进行筛选，计算出当前时间步的记忆单元C1。
6.5.O1、当前时间步记忆单元C1联合计算，使用输出门对长序列信息C1进行筛选，计算出当前时间步的隐藏状态h1，隐藏层输出维度batch_size×num_hiddens ，h1作为t1时间步的输出层输入、t2时间步的隐藏层输入序列信息（隐藏状态）。
6.6.此时两个操作并行执行：t1时间步的输出层计算、t2时间步的隐藏层计算。
6.6.1首先h1和C1作为t1时间步的输出层输入，输出层有vocab_size个神经元，会执行多分类预测，可学习参数为Woh(num_hiddens×vocab_size)和bo(1×vocab_size)，每个token输出维度1×vocab_size，输出层输出维度batch_size×vocab_size ，表示各个token在各个分类上的预测。
6.6.2其次，t2时间步num_steps=2，取batch中num_steps=2的token集合为x1，维度为batch_size×vocab_size，并行将每个token一维向量放入神经网络学习，隐藏层输出h2=...，记忆单元C2=...，隐藏层输出维度batch_size×num_hiddens，h2和C2作为t2时间步的输出层输入、t3时间步的隐藏层输入序列信息。
6.7.如此反复每个时间步取一个数据点token集合进行训练，并更新隐藏层输出ht和Ct作为下一个时间步的输入，直到完成所有num_steps个时间步的训练任务，整个batch就训练完成了。
6.8.对于每个时间步上的预测batch_size×vocab_size，num_steps个时间步上总的预测为(num_steps×batch_size,vocab_size)，这是该batch的训练总输出。
6.9.使用损失函数计算batch中各个句子中每个token的概率损失，并取均值。
6.10.反向传播算法计算各个参数关于损失函数的梯度。
6.11.梯度裁剪修改梯度。
6.12.梯度下降算法修改参数值。
7.该batch训练完成。进行下一个batch训练，初始化隐藏状态h0、C0...。
五、预测过程举例******：
背景定义同训练过程，模型的预测过程如下。
1.输入prefix长度的前缀，来预测接下来num_preds个token。
2.首先还是将prefix转换成字典序并进行独热编码，尺寸为1×prefix×vocab_size，其中prefix=num_steps。
3.加载模型，初始化时序信息h0\、C0。
4.batch_size为1，在每个时间步上对句子长度每个token一维向量依次作为模型一个时间步的输入，输入维度1×vocab_size，总共计算prefix个时间步，循环计算prefix个时间步后的时序信息hp、Cp，hp和、Cp尺寸为1×num_hiddens（batch_size=1）。
5.将prefix最后一个token和hp、Cp作为模型输入，来预测num_preds个token的第一个token，输出预测结果pred1和时序信息hp1、Cp1，然后将pred1和hp1、Cp1作为输入预测pred2和hp2、Cp2（即使用预测值来预测下一个预测值），直到预测num_preds个预测值。（等价于batch=1，num_steps=num_preds的训练过程）
6.将预测值使用字典转为字符串输出。
六、底层源码：
代码中num_hiddens表示隐藏层神经元个数，由于遗忘门、输入门、输出门的输出维度相同，所以三个隐藏层的神经元个数也是一样的=num_hiddens。
并且除了初始化隐藏状态Ht外，还需要初始化记忆单元Ct。
python
import torch
from torch import nn
from d2l import torch as d2l
# 数据预处理，获取datalodaer和字典
batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)
# 初始化可学习参数
def get_lstm_params(vocab_size, num_hiddens, device):
num_inputs = num_outputs = vocab_size
def normal(shape):
return torch.randn(size=shape, device=device) * 0.01
def three():
return (normal(
(num_inputs, num_hiddens)), normal((num_hiddens, num_hiddens)),
torch.zeros(num_hiddens, device=device))
W_xi, W_hi, b_i = three()
W_xf, W_hf, b_f = three()
W_xo, W_ho, b_o = three()
W_xc, W_hc, b_c = three()
W_hq = normal((num_hiddens, num_outputs))
b_q = torch.zeros(num_outputs, device=device)
params = [
W_xi, W_hi, b_i, W_xf, W_hf, b_f, W_xo, W_ho, b_o, W_xc, W_hc, b_c,
W_hq, b_q]
for param in params:
param.requires_grad_(True)
return params
# 初始化隐藏状态Ht和记忆单元Ct
def init_lstm_state(batch_size, num_hiddens, device):
return (torch.zeros((batch_size, num_hiddens), device=device),
torch.zeros((batch_size, num_hiddens), device=device))
# 定义LSTM模型
def lstm(inputs, state, params):
[
W_xi, W_hi, b_i, W_xf, W_hf, b_f, W_xo, W_ho, b_o, W_xc, W_hc, b_c,
W_hq, b_q] = params
(H, C) = state
outputs = []
for X in inputs:
I = torch.sigmoid((X @ W_xi) + (H @ W_hi) + b_i)
F = torch.sigmoid((X @ W_xf) + (H @ W_hf) + b_f)
O = torch.sigmoid((X @ W_xo) + (H @ W_ho) + b_o)
C_tilda = torch.tanh((X @ W_xc) + (H @ W_hc) + b_c)
C = F * C + I * C_tilda
H = O * torch.tanh(C)
Y = (H @ W_hq) + b_q
outputs.append(Y)
return torch.cat(outputs, dim=0), (H, C)
#训练
vocab_size, num_hiddens, device = len(vocab), 256, d2l.try_gpu()
num_epochs, lr = 500, 1
model = d2l.RNNModelScratch(len(vocab), num_hiddens, device, get_lstm_params,
init_lstm_state, lstm)
d2l.train_ch8(model, train_iter, vocab, lr, num_epochs, device)七、Pytorch版代码：
python
num_inputs = vocab_size
lstm_layer = nn.LSTM(num_inputs, num_hiddens)
model = d2l.RNNModel(lstm_layer, len(vocab))
model = model.to(device)
d2l.train_ch8(model, train_iter, vocab, lr, num_epochs, device)