原文链接
原文 Understanding LSTM Internal blocks and Intuition
第一部分：LSTM 物理结构 (见原文)
忘记门
输入门
输出门
内部块 、参数（权重 偏置）计算
第二部分：
LSTM直觉
然而在LSTM 我们有 细胞状态 ，细胞状态是 高速路径、不通过任何全连接网络。因此 允许 在 顺序网络 中，梯度 自由 流动， 有助于 克服 忘记 更长的上下文 问题，有助于 在 长间隔 上 共指解析。
细胞状态Ct是什么
序列数据 中 一个时间步 到 下一个时间步 的 累计信息 由 细胞状态携带，直到 序列结尾。
例如，如果我们正阅读关于世界大战的文章，我们的cell state会充满 残酷，痛苦，勇敢 等features，而 爱、兄弟情谊、和平 等features会很低。
在每一个时间步 基于 当前 输入， 更新 cell state 。例如 在 任意上下文，如果 输入词 是 “爱”，和 “爱”相关的features 在该cell state中 将 成比例的增加。
LSTM直观理解
我们已经看到了 LSTM结构 被拆分成三部分 ：忘记块、输入块、输出块。 我们也会用这个拆分去理解LSTM背后的直觉。
由于图画在本文的第一部分，在这里 我将引用这些图，当解释 LSTM每一个部分背后的直觉时。
在进入之前，看下 独立部件：
全连接网络
当前输入向量 和 上一步隐藏状态输出 的 concat 作为m+n维度的输入, 转化m+n维度的输入 到 一个 n维度向量，见 图6
Sigmoid
n维向量进入sigmoid，输出还是n维向量，但是输出值在0到1之间（原文是0或1）
Tanh
n维向量进入tanh，输出还是n维向量，但是输出值在-1到1之间
Multiplication and Addition:
如果sigmoid输出向量 是 0或1，乘以 cell state，那么 所有 为0的sigmoid输出 将 导致 cell state为0；所有 为1的sigmoid输出 将 维持 cell state不变。（图9）
在 忘记门 ，我们 乘以 全连接层的输出 到 该 cell state，因为 我们 必须要 忘记 cell state vector 中的部分值。
在输入门，我们 加 全连接层的输出 到 该 cell state，因为 我们必须 加 当前输入features 到 该 cell state，同时 确保 我们 没有 加 旧的 忘记 feature.
Forget block:
concat 隐状态 和 当前 输入向量(ht-1 + Xt) , 通过一个全链接网络，再通过 sigmoid。 输出 是 0到1之间，当 输出 乘以 cell state， 乘以 0的 features将被忘记，乘以 1的featrues不会被忘记（译者问：可是 没有解释 乘以0.5的features啥意思？忘记一半？） 。
这就是 忘记门 如何 更新 cell state： 使一些features为0 、使其他features保持不变。
Input block:
输入门 有两个并行分支。这两个分支有相同的输入:concat 隐状态和输入向量(ht-1 + Xt)。
分支2（见下图） 先 全连接网络 再 tanh，这会 压缩 输出值 为 -1 到 1 之间。 如果 该tanh是负的 将会 减小 cell state，如果 是正的 将会 增强 cell state。为了这个（减小和增强） ，tanh输出必须要加到该cell state。 基于 当前输入feature 向量，这个加会 增加 或 减少 cell state中的值 。
为了使 忘记门 说 要 忘记的 那么值 不会 参与到 输入门中，需要 下图中的 分支1 。输入门需要选择哪些不被忘记的值（分支1 的作用是选择）。（原文这一小段有错误）
Output block:
现在 cell state 已： 通过 忘记门 获知哪些feature要被忘记、通过 输入门 取得了输入。
在 输出门（图5）， 将 已更新的 cell state 作为 选择器； concat 输入 隐状态 经过 全连接网络 再经过sigmoid 的输出， 让刚的选择器 作用于 此输出， 结果 就是 下一个时刻的隐状态 。