这是我在机器之心上看到的一篇文章，写的非常好。自己写一遍增强印象
参考地址：https://mp.weixin.qq.com/s/yWKdZLzPy5fcnmNLLcfKPA
循环神经网络（RNN）很容易受到短期记忆的影响。如果序列足够长，序列开头的信息随着传递逐渐减弱，直至消失，很容易被遗漏。
在反向传播中，循环神经网络也存在梯度消失等问题。一般而言，梯度是用来更新神经网络权重，梯度消失问题是梯度随着时间的推移逐渐减小到0，如果梯度非常小，它就不能为学习提供足够的信息。
所以RNN中，通常是前期的层会因为梯度消失和停止学习。因此，RNN会忘记它在更长的序列中看到的东西，从而只拥有短期记忆。
解决方案—-LSTM和GRU
创建LSTM和GRU可以作为短期记忆的解决方案，他们有一种成为“门”的内部机制，可以调节信息流
这些门可以判断数据在一个序列中该保留或弃用，一次它可以将相关信息传递到较长序列链中进行预测。
就像是人的记忆，在与他人对话中，你没必要记住对方所说的每一个字，只需记住其中的关键词即可，将其他不必要的信息给遗忘。
一、回顾循环神经网络
第一个单词被转换成机器可读的向量。然后，RNN逐个处理向量序列
在处理过程中，它将之前的隐状态传递给序列的下一个步骤。隐状态作为神经网络的记忆，保存着网络先前观察到的数据信息。
观察RNN的一个单元格，看看如何计算隐状态。首先，输入和之前的隐状态组合成一个向量。这个向量现在有当前输入和先前输入的信息。向量通过tanh激活，输出是新的隐状态，或神经网络记忆。
双曲正切（tanh）激活函数
tanh激活函数用于调节在神经网络中传递的值，它会将输入值压缩到-1到1之间
当向量通过神经网络时，由于各种数学运算，它会经历许多变换。假设一个值连续乘以3，结果会爆炸增长成天文数字，从而导致其他值的变换变得微不足道。
tanh函数确保值在-1到1之间，从而控制神经网络的输出。下图可以看到数值是如何借助tanh在不同的时间步之中保持稳定。
这就是RNN。它的内部操作很少，但在适当环境（比如短序列）会有很好的性能。RNN使用的计算资源比它的改进版LSTM和GRU要少的多。
二、LSTM
LSTM具有与循环神经网络相似的控制流，它在前向传播时处理传递信息的数据，两者区别在与单元内的处理过程不同。
核心概念
LSTM的核心概念是单元状态，及单元各种各样门。单元状态好比传输的高速公路，在序列链中传递相关信息。你可以把它看做是网络的“记忆”。从理论上讲，单元状态可以在整个序列处理过程中携带相关信息。因此，即使是前期时间步的信息也可以帮助后续时间步的处理，因此单元状态有效减少了短期记忆的影响。随着单元状态在不同时间步的传递，我们可以通过门控机制添加或删除单元状态中的信息。这些门是不同的神经网络，用来决定能够进入单元状态的信息。在训练过程中，门可以学习到哪些信息需要保存，哪些信息需要遗忘。
sigmoid函数
门控机制主要由sigmoid激活函数，它将数值控制在0到1之间。
任何数值乘以0都是0，这将导致数值消失或被“遗忘”。任何数字乘以1都是其本身，这将导致数值不变或被“保存”。
网络可以知道哪些数据可以被遗忘，哪些数据需要保存
LSTM：遗忘门、输入门、单元状态、输出门、
遗忘门（forget gate）
这个门决定了哪些信息应该被保存或丢弃。在遗忘门中，来自先前隐状态的信息和来自当前输入的信息传递到sigmoid函数，并将值压缩到0和1之间。越接近0，意味着丢弃，越接近1意味着保留
输入门（input gate）
为了更新单元状态，LSTM需要输入门。首先，我们将前面的隐状态和当前输入传递给一个sigmoid函数，它通过将值转换到0到1来决定将更新哪些值。0 表示不重要，1 表示重要。还可以将隐状态和当前输入传递给 tanh 函数，使值变为 -1 到 1 之间，以帮助调节神经网络。然后将 tanh 输出与 sigmoid 输出相乘，sigmoid 输出将决定保留 tanh 输出的重要信息。
单元状态（cell state）
现在应该有足够的信息来计算单元状态。首先，单元状态逐点乘以遗忘向量，如果它与接近 0 的值相乘，就有可能在单元状态中得到低值。然后，从输入门读取上一步输出，并逐点相加，将单元状态更新为神经网络认为相关的新值，这就得到了新的单元状态，
输出门（output gate）
输出门决定下一个隐藏状态。记住，隐藏状态包含先前输入的信息。隐藏状态也用于预测。首先，我们将前面的隐状态和当前输入传递给一个 sigmoid 函数。然后我们将修改的单元状态传递给 tanh 函数。我们将 tanh 输出与 sigmoid 输出相乘，以确定隐状态应该包含的信息。新的单元状态和新的隐状态随后被转移到下一步中。
遗忘门决定了哪些内容与前面的步骤相关。输入门决定从当前步骤中添加哪些相关信息。输出门决定一个隐状态应该是什么。
伪代码演示
def LSTMCELL(prev_ct, prev_ht, input): combine = prev_ht + input ft = forget_layer(combine) candidate = candidate_layer(combine) it = input_layer(combine) Ct = prev_ct * ft + candidate * it ot = output_layer(combine) ht = ot * tanh(Ct) return ht, Ct ct = [0, 0, 0] ht = [0, 0, 0] for input in inputs: ct, ht = LSTMCELL(ct, ht, input)
1. 首先，将前面的隐状态和当前输入拼接起来，即为 combine
2. 将 combine 的值送至遗忘层，并删除不相关的数据
3. 使用 combine 创建候选层，候选项保存要添加新的单元状态的可能值
4. 将 combine 的值送至输入层，这一层决定应该添加到新的单元状态的候选数据。
5. 在计算遗忘层、候选层和输入层后，利用这些向量和前面单元格状态计算新单元格状态
6. 然后计算输出
7. 输出新单元状态之间的对应元素乘积将得到新的隐状态
三、GRU
GRU与LSTM非常相似，GRU摆脱了单元状态，直接用隐藏状态传递信息，它只有重置门和更新门这两个门控机制
更新门的作用类似于LSTM的遗忘门和输入门。它同时决定丢弃什么旧信息，添加什么新信息。而重置门是一个用来决定要忘记多少过去信息的门。
GRU的张量运算很少，因此与LSTM相比，它的训练速度要快一些。
小结
RNN对于处理用于预测的序列数据很有帮助，但其存在短期记忆问题。创建LSTM和GRU的目的是利用“门”的机制来降低短期记忆。LSTM和GRU广泛应用在语音识别、语音合成、自然语言理解等最先进的深度学习应用中。