作者：Tobin
日期：2019/04/12
缘起：最近在做时间序列分析的实验，FCN网络做时序数据分类的效果还可以，由于时间的依赖性，自然地想到是否可以利用LSTM网络进行时序数据的分类。我对CNN比较了解，但是对LSTM，感觉很多文章都介绍得太笼统，大部分都是介绍cell，而忽略了它和CNN的联系。
LSTM叫长短期记忆网络（Long short term memory），是RNN循环神经网络（Recurrent Neural Network）的一个变形。我们先讲讲RNN。
RNN
每个绿色的部分叫做cell，看起来它们好像是不同的cell，但实际上它们只是同一个cell在不同时刻的样子！中间的这个cell清晰地画出了数据经过它到底进行了怎样的操作~输入是上一次cell输出的状态值和此时刻的输入，组合后，乘以权重和偏置，经过一次tanh就得到了这个cell的输出。
普通的RNN对于处理短的序列数据还行，当数据很长时，就会出现梯度消失和梯度爆炸的问题。所以又提出了改进版RNN，LSTM。
LSTM
LSTM多了什么呢？
看下面的图，很复杂对嘛，我们细细讲解。LSTM多了一个表示cell记忆的值。也就是我们不仅要更新当前cell的输出，我们还要思考，哪些东西可以记在我们的cell里呢，记忆的话，记多少又如何确定呢？既然有了记忆，那么我们的输入不仅仅有上一时刻的输出，此刻的输入，还有cell本身存储的那部分信息。所以LSTM的构造看起来很复杂，其实是围绕着记忆做操作的。
、
下图的C就表示记忆。
为了实现我们引入的记忆的思想，构造了三个门，遗忘门，输入门，输出门。
遗忘门
遗忘门能决定应丢弃或保留哪些信息。来自先前隐藏状态的信息和当前输入的信息同时输入到Sigmoid函数，输出值处于0和1之间，越接近0意味着越应该忘记，越接近1意味着越应该保留。这个f就可以用来操控遗忘哪些数据。
输入门
f是forget的意思，i是input的意思。
输入门用来更新单元状态。先将先前隐藏状态的信息和当前输入的信息输入到Sigmoid函数，在0和1之间调整输出值来决定更新哪些信息，0表示不重要，1表示重要。也可将隐藏状态和当前输入传输给Tanh函数，并在-1和1之间压缩数值以调节网络，然后把Tanh输出和Sigmoid输出相乘，Sigmoid输出将决定在Tanh输出中哪些信息是重要的且需要进行保留。
下面这张图显示了，两个门是如何控制遗忘和记忆的。
输出门
我们确定了当前的状态，那么当前状态的多少可以进行输出呢？控制Ct输出的门叫输出门，用Ot表示。
输出门能决定下个隐藏状态的值，隐藏状态中包含了先前输入的相关信息。当然，隐藏状态也可用于预测。首先把先前的隐藏状态和当前输入传递给Sigmoid函数；接着把新得到的单元状态传递给Tanh函数；然后把Tanh输出和Sigmoid输出相乘，以确定隐藏状态应携带的信息；最后把隐藏状态作为当前单元输出，把新的单元状态和新的隐藏状态传输给下个时间步。
代码实现
def LSTMCELL(prev_ct, prev_ht, input)
combine = prev_ht + input
ft = forget_layer(combine)
it = input_layer(combine)
ot = ouput_layer(combine)
candidate = candidate_layer(combine)
Ct = prev_ct*ft+candidate*it
ht = ot*tanh(Ct)
return ht, Ct
ct = [0, 0, 0]
ht = [0, 0, 0]
for input in inputs:
ct, ht = LSTMCELL(ct, ht, input)ht和xt结合后（拼接），构造出三个门控单元。再进行此cell在t时刻状态Ct的更新，利用Ct输出ht。inputs是一个输入的时间序列，可以看出，LSTM在不同时刻输入，只是在不断地循环输入而已。整个代码由几个张量操作和一个for循环组成，循环神经网络名字的来源一看便知哈。
多层LSTM
多层LSTM只是将单个cell进行堆叠。LSTM比为啥比CNN难理解呢？因为它把神经元的个数都藏到cell里面啦。假设大家都了解过CNN，看下面的图是不是有点感觉呢？我来解释一下，一个cell其实就是一层神经元，只是LSTM和CNN不同的是，它的每一层t时刻的输出和t-1时刻的状态有关。也就是说当前cell的输出ht不仅仅影响到下一cell（图中右边的那列），还影响本cell下一时刻的状态和输出（图中按时间顺序堆叠的三个绿色的cell）。
理解到这一点了，我们也自然地理解到，xt可以是多维的。然后每个cell的hidden_size都可以进行设置。
多层LSTM的代码
代码暂时没写，未完待续~
参考资料：
https://zhuanlan.zhihu.com/p/46981722
https://blog.csdn.net/gzj_1101/article/details/79376798