LSTM模型是为了解决RNN神经网络中的梯度爆炸问题。

（1）模型思路：

RNN是想把所有信息都记住，不管是有用的信息还是没用的信息。LSTM：设计一个记忆细胞（具备选择性记忆的功能），可以选择记忆重要信息，过滤掉噪声信息，减轻记忆负担。

（2）LSTM前向传播：

LSTM模型：

RNN模型：

两者相比，LSTM内部更加复杂，且RNN只有一条链路串联起各个神经元，而LSTM是由两条链路串联起来的。

 LSTM内部结构分析：

和代表细胞记忆，前者为t-1时刻的记忆，后者为t时刻的记忆。

和代表状态，前者为t-1时刻的状态，后者为t时刻的状态。

这里的f的代表遗忘门，代表更新门，代表输出门 。

模型公式理解：

模型原理分析：

结合例子说明记忆细胞原理：场景为期末考试，前一个神经元代表考高等数学，下一个神经元代表考线性代数，结合神经元分析：

 Xt代表准备开始复习线代，代表去考试，代表考完线代后的记忆，

代表考完线代的状态，  代表考完高数的记忆，代表考完高数后的状态。神经元的目标就是想考好每一门科目！因为是有监督学习，所以需要用成绩来监督神经元里面的参数，来不断迭代更新。

遗忘门作用：遗忘掉高数的部分知识，通过这个相乘操作来进行。因为这里是向量矩阵相乘，比如f中为[1,0,0,1,0,1]，1代表保留，0代表遗忘，与考完高数后的记忆相乘后，就能忘掉没用的内容，保留下来有用的内容。

更新门作用：学线代的过程中，可能学到一些与考试无关的内容，更新门就负责过滤掉这部分内容。也是通过相乘操作来过滤的。过滤后的记忆在图中向上传播，用来相加形成考线代的新的记忆（去掉高数中无用记忆+学习线代过滤后的记忆）。如下图所示：

输出门作用：

tanh：在这里相当于把线代的学习记忆转化为一种考试能力，因为不是所有知识点都能派上用场，Ot与之相乘，相当于找出一部分能力去考试。