RNN 的主要限制 在于它无法记住很长的序列，并且会陷入梯度消失的问题。
什么是梯度消失问题？
当添加更多具有某些激活函数的层时，神经网络中损失函数的梯度趋近于零，这使得网络难以训练。
长短期记忆（LSTM）
LSTM 可以解决梯度消失问题。它通过忽略（忘记）网络中无用的数据/信息来实现这一点。如果没有来自其他输入（之前的句子单词）的有用信息，LSTM 就会忘记这些数据。当新的信息出现时，网络会决定哪些信息应该被忽略，哪些信息应该被记住。
LSTM 架构
让我们看看 RNN 和 LSTM 之间的区别。
在 RNN 中，我们有一个非常简单的结构，只有一个激活函数（tanh）。
在 LSTM 中，我们拥有多个组件，而不仅仅是具有单一激活功能的简单网络，从而使网络能够忘记和记住信息。
使用的符号
LSTM 有 4 个不同的组成部分，分别是
- 单元状态（记忆单元）
- 忘记门
- 输入门
- 输出门
让我们逐一了解这些组件。
1. 单元状态（记忆单元）
它是 LSTM 的第一个组件，贯穿整个 LSTM 单元。可以把它想象成一条传送带。
细胞状态负责记忆和遗忘。它基于输入的上下文。这意味着一些先前的信息应该被记住，而一些则应该被遗忘，一些新的信息应该被添加到记忆中。第一个操作（X ）是逐点运算，它只是将细胞状态乘以一个[-1, 0, 1]的数组。乘以0的信息将被LSTM遗忘。另一个操作是（+），它负责向状态添加一些新的信息。
2. 忘记门
顾名思义，遗忘 LSTM 门决定哪些信息应该被遗忘。S 型函数层用于做出这一决定。该 S 型函数层被称为"遗忘门层"。
它对h(t-1) 和x(t) 进行点积运算，并在 sigmoid 层的帮助下，为单元状态***C(t-1)***中的每个数字输出一个介于 0 和 1 之间的数字。如果输出为"1"，则表示我们将保留它。"0"表示完全忘记它。
3. 输入门
输入门向 LSTM 提供新信息，并决定是否将该新信息存储在单元状态中。
这分为三个部分-
- 一个S 型函数层决定需要更新的值。该层被称为"输入门层"。
- tanh 激活函数层创建一个新的候选值向量Č(t)，可以添加到状态中。
- 然后我们结合这两个输出，***i(t) * Č(t)，***并更新单元状态。
新的细胞状态***碳原子数(t)***是通过将遗忘门和输入门的输出相加而得到的。
4.输出门
LSTM 单元的输出取决于新的单元状态。
首先，一个 S 型函数层决定要输出单元状态的哪些部分。然后，在单元状态上使用一个tanh层将值压缩到 -1 到 1 之间，最后乘以 S 型函数门的输出。
LSTM 实际应用
现在我们已经了解了 LSTM 的架构和组件，让我们看看它的实际作用。
结论
正如文章中提到的，LSTM 可以通过遗忘和记忆信息来延长信息的保存时间。这由 4 个组件实现------一个单元状态和 3 个门控。它还能克服梯度消失问题，而这正是 RNN 的一个局限性。这使得 LSTM 比普通 RNN 更具优势。我们还了解了 LSTM 的架构和工作原理。
