LSTM是一种特殊的RNN网络，为了解决RNN的长依赖问题，使进行信息处理的地方可以学习到距离较远的信息。下图为RNN和LSTM的结构差异，LSTM有四个网络层。
LSTM的核心是细胞状态，像传送带一样贯穿整个细胞，但只有很少的分支，保证信息不变的流过整个RNN。
LSTM通过一种门结构（一个sigmoid层和一个点乘的组合）对细胞状态进行删除或者添加信息，有选择地让信息通过，σ∈[0,1]。
具体来说，LSTM用三个门控制细胞状态，称为忘记门、输入门和输出门。
第一步是决定细胞状态丢弃哪些信息，通过查看ht-1和xt信息来输出一个0-1之间的向量，表示细胞状态Ct-1中哪些细胞保留或丢弃多少。
第二步是决定给细胞状态增加哪些新的信息，分为两部，首先利利用ht-1和xt通过一个输入门来决定更新哪些信息，然后利用ht-1和xt通过一个tanh层得到新的候选细胞信息，这些信息可能会被更新到细胞信息中。
第三步将旧的细胞信息Ct-1变为新细胞信息Ct。通过忘记门选择忘记旧细胞信息的一部分，通过输入门选择增加候选细胞信息的一部分。
第四步更新完细胞状态后需要根据输入的ht-1和xt来判断输出细胞的哪些状态特征，将输入经过输出门的sigmoid层，然后将细胞状态经过tanh层得到-1~1之间值的向量，该向量与输出门得到的判断条件相乘得到最终该RNN的输出
LSTMs对于RNNs的使用是一大进步。那么现在还有个问题，是否还有更大的进步？对于很多研究者来说，但是是肯定的，那就是attention的问世。attention的思想是让RNN在每一步挑选信息的时候都能从更大的信息集里面挑选出有用信息。例如，利用RNN模型为一帧图片生成字母，它将会选择图片有用的部分来得到有用的输入，从而生成有效的输出。事实上，
Xu, et al.(2015) 已经这么做了，attention方向还有一些振奋人心的研究，但还有很多东西等待探索......
参考文献：