x0结果输出时，不仅会直接输出h0，还有一部分会与x1进行融合从而输出h1，x2时也同理，这样网络就会考虑到时间的前后信息
但如果输入信息很多，到x10000，那么x0的信息还需要考虑吗，有可能就根本不重要，所以就引入了LSTM（长短时记忆网络）
C为控制参数决定什么样的信息会被保留什么样的会被遗忘
⊗⊕是门，是一种让信息选择式通过的方法
相关推荐
Blossom.1189 分钟前
大模型在边缘计算中的部署挑战与优化策略HelloRevit1 小时前
机器学习、深度学习、大模型 是什么关系？共享笔记1 小时前
Adobe Photoshop Elements 2026 正式发布：AI 引擎让修图更简单！芝士AI吃鱼1 小时前
我为什么做了 Cogniflow？一个开发者关于“信息流”的思考与实践Juchecar1 小时前
文字与电的相似性：中间载体kyle-fang1 小时前
pytorch-张量算家计算1 小时前
告别繁琐文档处理！PaddleOCR-VL-vLLM-OpenAI-API本地部署教程：精准解析文本/表格/公式woshihonghonga2 小时前
Dropout提升模型泛化能力【动手学深度学习：PyTorch版 4.6 暂退法】java1234_小锋2 小时前
PyTorch2 Python深度学习 - 循环神经网络（RNN）实例该用户已不存在2 小时前
AI编程工具大盘点，哪个最适合你