lstm是什么

《1》LSTM是 long short term memory的一种简称,中文名字呢又叫做长短期记忆,这是现在最流行的 RNN的计算方式的其中的一种,在上一篇文章中,我介绍过 RNN是在有序的数据中进行学习的,为了记住这些数据,

《2》LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。

《3》GRU (Gated Recurrent Unit)和LSTM (Long Short-Term Memory)是两种用于解决循环神经网络中梯度消失和梯度爆炸问题的常用结构。它们之间的主要区别在于门控单元的数量和计算复杂度。

《4》一种比其他形式变化更为显著的LSTM变式是由 Cho, et al. (201 提出的门循环单元(GRU)。它将忘记门和输入门合并成一个新的门,称为更新门。GRU还有一个门称为重置门。

《5》Long Short Term 网络—— 一般就叫做 LSTM ——是一种 RNN 特殊的类型，可以学习长期依赖信息。LSTM和基线RNN并没有特别大的结构不同，但是它们用了不同的函数来计算隐状态。

《6》Model式模型。lstm包含Model式模型和序贯模型。Model式模型可以同时分阶段输入变量，分阶段输出想要的模型。是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉。

lstm具有什么特点

(1) LSTM作为效果比较好的递归神经网络，拥有者对长时时间序列问题很好的解决能力。LSTM也有这样的链式结构，但其重复模块内部的机构不同。具体如下：之下说明一下内部四个网络的具体意义。主要分为： 单元状态 + 门限。

(2) Long Short Term 网络—— 一般就叫做 LSTM ——是一种 RNN 特殊的类型，可以学习长期依赖信息。LSTM和基线RNN并没有特别大的结构不同，但是它们用了不同的函数来计算隐状态。

(3) LSTMs也具有这种链式结构,但是它的重复单元不同于标准RNN网络里的单元只有一个网络层,它的内部有四个网络层。LSTMs的结构如下图所示。

(4) 全波光纤的损耗特性是很诱人的，但它在色散和非线性方面没 有突出表现。它适于那些不需要光纤放大器的短距离城域网，可以传送数以百 计的波长通道。

深度学习LSTM神经网络输入输出究竟是怎样的?

所以LSTM的单元数量跟输入和输出都没有关系，甚至还可以几层LSTM叠加起来用。分类的话，一般用最后一个单元接上softmax层。LSTM结构是传统的RNN结构扩展，解决了传统RNN梯度消失/爆炸的问题，从而使得深层次的网络更容易训练。

LSTM是改进的循环神经网络，如图1所示， 为输入样本， 为输出样本， 为LSTM单元输出。 分别为样本个数，输出样本个数及神经元个数。即：模型中需要初始化的参数有 、 、 、 、 。

长短期记忆（LSTM）网络是一种循环神经网络（RNN），能够捕获顺序数据中的长期依赖关系。它们对于语言翻译、语言建模等任务以及需要模型长时间记住过去信息的其他任务特别有用。

深度学习与神经网络关系 2017-01-10 最近开始学习深度学习,基本上都是zouxy09博主的文章,写的蛮好,很全面,也会根据自己的思路,做下删减,细化。

直观理解LSTM(长短时记忆网络)

（1）LSTM作为效果比较好的递归神经网络，拥有者对长时时间序列问题很好的解决能力。LSTM也有这样的链式结构，但其重复模块内部的机构不同。具体如下：之下说明一下内部四个网络的具体意义。主要分为： 单元状态 + 门限。

（2）LSTM是一种循环神经网络模型，其全称为“长短时记忆网络”（Long Short-Term Memory Network）。它是RNN的一种改进形式，在解决传统RNN在处理序列数据时会出现梯度消失或梯度爆炸等问题方面表现更加优异。

（3）长短期记忆网络的关键是单元状态，即贯穿图顶部的水平线。长短期记忆网络确实能够删除单元状态的信息或添加信息到单元状态，这是由称为门的结构仔细控制的。门是一种可选地让信息通过的方法。

（4）术语: 循环神经网络(Recurrent Neural Network, 简称 RNN); 长短期记忆(Long Short-Term Memory, 简称 LSTM); 门限循环单元(Gated Recurrent Unit, 简称 GRU) 人类并不是每时每刻都从一片空白的大脑开始他们的思考。

LSTM神经网络输入输出究竟是怎样的?

神经网络利用现有的数据找出输入与输出之间得权值关系（近似），然后利用这样的权值关系进行仿真，例如输入一组数据仿真出输出结果，当然你的输入要和训练时采用的数据集在一个范畴之内。

LSTM网络的输出通常是基于输入数据和存储在存储单元中的信息的预测或分类。例如，在语言翻译任务中，输出可能是翻译的句子，而在时序预测任务中，输出可能是序列中的预测未来值。

LSTM的三个门输出数字和向量的情况都有。门（input，forget，output）输出的维度和cell状态的维度一致即可。也就是说三个门的输出分别控制被控制向量（cell input，cell（t-，cell（t））中的元素。

LSTM是改进的循环神经网络，如图1所示， 为输入样本， 为输出样本， 为LSTM单元输出。 分别为样本个数，输出样本个数及神经元个数。即：模型中需要初始化的参数有 、 、 、 、 。