接上一篇 ：AI算法综述 （一）
RNN：循环神经网络 and LSTM 长短期记忆网络
LSTM就是一个RNN网络，外部的结构是一样的，主要是单元的内在结构不同。或者说LSTM是为了让RNN能够更好的处理NLP（自然语言问题）做的一些内部改造。
我推荐这篇文章理解LSTM ：https://www.jianshu.com/p/9dc9f41f0b29
可能会比我自己说的更好，我这里就简单说一下，不涉及太多技术细节。
我们先回顾一下基本的神经网络结构图
整体结构就是 输入层+N层隐层+输出层。
数据的流向就是由左往右，输入X1，X2，X3 会分发给隐层通过这些连线传递过去，然后在节点计算之后有一个输出，继续分发给下一层。
那么单独拎一个节点放大来看的话就是这样的。
Z就是某中间节点。 这就是标准的前馈神经网络的结构。
这种结构在处理某一类问题的时候非常无力，就是比方说当前的识别结果，需要依赖上一次的识别结果。
具体的场景就是自然语言的翻译，翻译需要结合上下文语境才能更精确的翻译出来。而不能像某些机译一样，一句一句单独翻译。
那么RNN 所谓的循环神经网络就是在这中间节点做了一个改造。
这个改造就是，把中间节点的输出拷贝一份出来，然后混合着下一次的输入再做一次计算（激活函数）得出结果，反复如是，直到没有输入。
那LSTM跟这个RNN有什么区别呢？
RNN当然也不是万能的，其中也存在各种利弊。
然后有个缺陷，就是假如当前 T 结果依赖上一次 （就是 T -1） 的结果，这问题不大，那如果 依赖 T-2 或者更远一点 T-10 的结果呢？
然后大家看回那个结构图，h20 的结果如果依赖 X1 那么中间的路途遥远，原输入经过了很多次计算才到H20 损耗非常大，变数更大。
而且需要依赖上下文语境的情况在自然语言处理中还普遍存在。所以……
当当当……
LSTM应运而生，为了世界和平而生。
我们先看一下LSTM跟常规的RNN区别。
主要是绿色块里面的变化，外部结构是一样的。
这个内在结构长的很像电路板，可以把这个电路板分为3个部件。
分别是“遗忘门” “输入门” “输出门”
具体这个结构怎么实现的这3个门这里不细说，上面那个地址有详细说明，爱看公式的童鞋可以移步。
这里我概括性的讲为啥要有遗忘门跟输入门、输出门
接我们刚才在RNN那里讲的，如果依赖的结果离的很远，比如说T 依赖 T-10 的输出结果。中间隔了一条银河。
你想要T么？先忘掉T-11 T-12…… 之前的所有信息，然后输入T-10，然后 忘掉 T-9 T-8 T-7 …… 然后把 T-10 的输入 通过输出门得出结果。
那么遗忘门的摊开之后的参数就是 从T-12 到 T 就是：
| T-11 | T-10 | T-9 | T-8 | T-7 | T-6 | T-5 | T-4 | T-3 | T-2 | T-1 | T-0 |
| 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
输入门就是：
| T-11 | T-10 | T-9 | T-8 | T-7 | T-6 | T-5 | T-4 | T-3 | T-2 | T-1 | T-0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
RNN的训练过程就是根据标识好的数据，训练调整这些参数到符合这些数据的规律。
好了，RNN就讲到这里，感谢各位阅读！
后续我会补充 ，GANs，跟迁移学习方面的综述。