注：这个是笔者用于期末复习的一个简单笔记，因此难以做到全面详细，有疑问欢迎大家在评论区讨论
I. Basic Idea
首先引入一个例子，槽填充(Slot Filling)问题：
- Input： I would like to arrive Guangzhou on November 2nd.
- Output： Destination=> Taipei | time of arrival=> November 2nd
即需要在输入句子中提取出我们想了解的给定类型信息(例如上面有两类，目的地与到达时间)。那么对于这个问题，我们可以将其当做一个分类问题来求解，预测每个单词是否属于目的类别中的一个。
而在深度网络只能接受向量(矩阵)作为输入，因此首先需要将单词给映射成向量，这一过程称为word embedding，常见的embedding方法有独热编码法、词哈希法等。
问题：网络需要上下文信息以对词进行准确分类，例如：
- arrive Guangzhou on November 2nd
- leave Guangzhou on November 2nd
这两句话中的广州都是地点。然而，如果不看到网络之前的arrive或者leave，我们是无法区分广州到底是指出发地还是目的地，即网络需要内存(memory)。
II. RNN
循环神经网络(Recurrent Neural Network)是一种带记忆的神经网络，这里的记忆存的是网络的隐藏层输出：
下面给出一种更喜闻乐见的RNN画法：
即，上一层隐藏层的内容(a1)会被存储起来，作为一种输入给输进下一层隐藏层(a2)中。回到上面的例子，arrive(x1)经处理后得到的信息(a1)会被输入Guangzhou(x2)编码得到的信息(a2)中，从而影响对Guangzhou内容类别的判定。
此外，RNN也有许多变种，例如将上一层输出(而非上一层隐藏层)输入下一层隐藏层：
或者双向的RNN：
III. LSTM
LSTM(Long Short-term Memory，长短期记忆网络)也是RNN的一种，相比RNN而言其"memory"会更复杂一些，如下所示：
红框里的这一坨相当于之前RNN里我们讲的a1，只不过a1只有简单的存储与传递功能，而这里的LSTM模块功能与结构上都要更为复杂。如果用更加喜闻乐见的形式的话，LSTM长这样：
这个结构…其实挺复杂的，倒也不要求去背，用的时候直接调包即可。
关于LSTM，我们还需要了解其一个性质，即其可以预防梯度消失问题（不能预防梯度爆炸），通过其memory与输入相加。