目录
RNN在反向传播时容易遭受梯度消失的问题，而梯度是用于更新神经网络权重的关键因子，梯度消失描述的是梯度在时间序列反向传播中逐渐减小的情况。
若梯度过小，它对于网络的学习贡献甚微。结果是，在RNN中，梯度更新很小的层级，并不能有效的学习。
RNN 容易遗忘较长序列中的信息，从而只留下短期记忆。
LSTM 和 GRU 正是为了解决短期记忆而设计的。
而LSTM的核心概念是它们的单元状态和各种门。
细胞状态如同一条信息告诉通道，持续传递至整个序列中，它可被视作网络的记忆中心。
参考资料
1\] [超简单理解LSTM和GRU模型，深度学习入门](https://www.bilibili.com/video/BV1EP411Y74W/?spm_id_from=333.337.search-card.all.click&vd_source=b5e395daf1dc59fb72b2633affa96661) 2023.8