前言：人工智能之機器學習主要有三大類：1）分類；2）回歸；3）聚類。今天我們重點探討一下長短時記憶神經(jīng)網(wǎng)絡（LSTM）算法。

我們知道，RNN是一類功能強大的人工神經(jīng)網(wǎng)絡算法，RNN一個重要的優(yōu)點在于，其能夠在輸入和輸出序列之間的映射過程中利用上下文相關信息。但是RNN存在著梯度消失或梯度爆炸等問題。因此，為了解決上述問題，長短時記憶神經(jīng)網(wǎng)絡（LSTM）誕生了。

長短期記憶神經(jīng)網(wǎng)絡LSTM是一種特殊的RNN，能夠?qū)W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(diào)整和普及（除了原始作者之外，許多人為現(xiàn)代LSTM做出了貢獻，不完全統(tǒng)計：Felix Gers（目前在谷歌的DeepMind任職）， Fred Cummins， Santiago Fernandez， Felix Gers（發(fā)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(xiàn)在正在廣泛使用。

長短時記憶神經(jīng)網(wǎng)絡LSTM（Long Short–Term Memory）是一種時間遞歸神經(jīng)網(wǎng)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(jīng)網(wǎng)絡LSTM是一種循環(huán)神經(jīng)網(wǎng)絡，倒不如說是一個加強版的組件被放在了循環(huán)神經(jīng)網(wǎng)絡中。具體地說，就是把循環(huán)神經(jīng)網(wǎng)絡中隱含層的小圓圈換成長短時記憶的模塊，如下圖所示。

LSTM引入自循環(huán)的巧妙構思，以產(chǎn)生梯度長時間持續(xù)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(huán)的權重視上下文而定，而不是固定的。門控此自循環(huán)（由另一個隱藏單元控制）的權重，累積的時間尺度可以動態(tài)地改變。

LSTM循環(huán)網(wǎng)絡除了外部的RNN循環(huán)外，還具有內(nèi)部的LSTM細胞循環(huán)（自環(huán)）。

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區(qū)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(wǎng)絡當中，可以根據(jù)規(guī)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(jīng)網(wǎng)絡中長期存在的大問題。目前已經(jīng)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(jù)LSTM紛紛提出了自己的變量版本，這就讓LSTM可以處理千變?nèi)f化的垂直問題。