🪶 一、LSTM 是什么？
LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），能够记住"过去的信息"并决定"哪些记住，哪些忘掉"。
它非常适合处理以下这种"时间有关"的任务：
- 给一段文字，让模型猜下一个词
- 给一段语音，让模型识别其中内容
- 给一串气温数据，让模型预测明天的温度
🪶 二、为什么叫"长短期记忆"？
这个名字说明了它的最大特点：
| 词 | 含义 |
|---|---|
| Long（长期） | 能保留很久以前的有用信息，比如前面的一个关键词 |
| Short（短期） | 也能处理最近刚刚输入的信息 |
| Memory（记忆） | 就像人脑一样，记住或忘记信息有"策略"和"意图" |
传统的 RNN 容易"忘掉"很久之前的信息，而 LSTM 通过"门控结构"克服了这个问题！
📥 三、LSTM 的输入/输出长什么样？
假设我们用 LSTM 来预测天气（气温），你有：
数据： [21.0, 21.3, 21.8] → 想预测下一个值 22.0输入 X 是形状为 [batch_size, seq_len, input_size] 的张量
可以理解成：一次给 LSTM 喂多少条序列，每条序列有多少时间步，每个时间步的输入有多少个特征
例如：`[[[21.0], [21.3], [21.8]]]` → `[1, 3, 1]`| 名称 | 含义 | 举例 |
|---|---|---|
batch_size |
一次送入模型的"样本数量"（多少条数据） | 10 表示一次训练 10 条序列 |
seq_len |
每条序列的"时间步"长度（有几个输入） | 5 表示每条数据是 5 天的气温 |
input_size |
每个时间步包含几个"特征" | 1 表示每步只输入一个数字（如温度） |
输出 y 是下一个值，比如 [[22.0]]
🪶 四、LSTM 的内部结构（过程）
LSTM 的核心是 "三个门 + 一个细胞状态"：
┌─────────────────────────────┐
输入 →───►│ 1. 遗忘门（forget gate） │ ← 过去记忆决定要忘掉多少
└─────────────────────────────┘
┌─────────────────────────────┐
输入 →───►│ 2. 输入门（input gate） │ ← 新信息能不能写入记忆
└─────────────────────────────┘
┌─────────────────────────────┐
过去记忆 →│ 3. 输出门（output gate） │──► 输出（隐状态）给下一步
└─────────────────────────────┘小结
| 门 | 作用 |
|---|---|
| 遗忘门 | 决定"旧记忆要不要保留" |
| 输入门 | 决定"新输入要不要加入到记忆中" |
| 输出门 | 决定"当前记忆要不要输出到下一个" |
🪶 五、整体流程图
时间步1 时间步2 时间步3
x₁ ─┬─► LSTM ─► h₁ ─┬─► LSTM ─► h₂ ─┬─► LSTM ─► h₃
│ │ │
c₁（记忆） c₂（记忆） c₃（记忆）每个时间步都会：
- 接收一个输入 xₜ
- 接收前一个时间步的隐藏状态 hₜ₋₁ 和记忆状态 cₜ₋₁
- 输出当前的隐藏状态 hₜ 和更新后的记忆 cₜ