長短期記憶神經網絡LSTM是一種特殊的RNN，能夠學習長期依賴關系。由Hochreiter和Schmidhuber （1997）提出，在后期工作中又由許多人進行了調整和普及（除了原始作者之外，許多人為現代LSTM做出了貢獻，不完全統計：Felix Gers（目前在谷歌的DeepMind任職）， Fred Cummins， Santiago Fernandez， Felix Gers（發明了LSTM遺忘門），Justin Bayer（自動演化）， Daan Wierstra， Julian Togelius， Faustian Gomez， Matteo Gagliolo 和 Alex Graves）。LSTM在大量問題上效果異常出色，現在正在廣泛使用。

LTSM概念：

長短時記憶神經網絡LSTM（Long Short–Term Memory）是一種時間遞歸神經網絡，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件。

與其說長短時記憶神經網絡LSTM是一種循環神經網絡，倒不如說是一個加強版的組件被放在了循環神經網絡中。具體地說，就是把循環神經網絡中隱含層的小圓圈換成長短時記憶的模塊，如下圖所示。

LTSM本質：

LSTM引入自循環的巧妙構思，以產生梯度長時間持續流動的路徑是初始LSTM模型的核心貢獻。其中一個關鍵擴展是使自循環的權重視上下文而定，而不是固定的。門控此自循環（由另一個隱藏單元控制）的權重，累積的時間尺度可以動態地改變。

LSTM循環網絡除了外部的RNN循環外，還具有內部的LSTM細胞循環（自環）。

LSTM 通過刻意的設計來避免長期依賴問題。記住長期的信息在實踐中是 LSTM 的默認行為，而非需要付出很大代價才能獲得的能力。

LSTM原理：

LSTM區別于RNN的地方，主要就在于它在算法中加入了一個判斷信息有用與否的“處理器”，這個處理器作用的結構被稱為cell。

一個cell當中被放置了三扇門，分別叫做輸入門、遺忘門和輸出門。一個信息進入LSTM的網絡當中，可以根據規則來判斷是否有用。只有符合算法認證的信息才會留下，不符的信息則通過遺忘門被遺忘。

說起來無非就是一進二出的工作原理，卻可以在反復運算下解決神經網絡中長期存在的大問題。目前已經證明，LSTM是解決長序依賴問題的有效技術，并且這種技術的普適性非常高，導致帶來的可能性變化非常多。各研究者根據LSTM紛紛提出了自己的變量版本，這就讓LSTM可以處理千變萬化的垂直問題。

LSTM深度剖析：

LSTM 有通過精心設計的稱作為“門”的結構來去除或者增加信息到細胞狀態的能力。門是一種讓信息選擇式通過的方法。其包含一個 sigmoid 神經網絡層和一個 pointwise 乘法操作。

Sigmoid 層輸出 0 到 1 之間的數值，描述每個部分有多少量可以通過。0 代表“不許任何量通過”，1 就指“允許任意量通過”！

LSTM 擁有三個門（輸入門，遺忘門，輸出門），來保護和控制細胞狀態。

標準LSTM：

1）決定丟棄信息：

2）確定更新的信息：

3）更新細胞狀態：

4）輸出信息：

LSTM的變體：

1）peephole 連接：

2）coupled 忘記門和輸入門：

3） GRU（Gated Recurrent Unit）：

LSTM應用場景：

LSTM已經在科技領域有了多種應用。基于LSTM的系統可以學習翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別、圖像識別、手寫識別、控制聊天機器人、預測疾病、點擊率和股票、合成音樂等任務。

2015 年谷歌通過基于CTC 訓練的 LSTM 程序大幅提升了安卓手機和其他設備中語音識別的能力。百度也使用了 CTC；蘋果的 iPhone 在 QucikType 和 Siri 中使用了LSTM；微軟不僅將LSTM 用于語音識別，還將這一技術用于虛擬對話形象生成和編寫程序代碼等。亞馬遜 Alexa 通過雙向LSTM在家中與用戶交流，而谷歌使用 LSTM 的范圍更加廣泛，它可以生成圖像字幕，自動回復電子郵件，它包含在新的智能助手Allo中，也顯著地提高了谷歌翻譯的質量。目前，谷歌數據中心的很大一部分計算資源現在都在執行 LSTM 任務。

結語：

長短期記憶網絡LSTM是一種時間遞歸神經網絡，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件。LSTM是使用RNN的一個飛躍。LSTM算法在人工智能之機器學習、翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別、圖像識別、手寫識別、控制聊天機器人、預測疾病、點擊率和股票、合成音樂等領域有著廣泛應用。