本文是自己对于lstm的理解的总结，但是最好的文章帮助理解lstm一定是这篇Understanding LSTM Networks
lstm理论
我们平时在做决策的时候，会基于当前的情况和自己平时的经验来做出判断，这就会涉及到一个很重要的概念：经验，对于计算机来说，经验要怎么获取到呢？计算机有CPU进行运算，有内存进行存储，很自然的我们的想法就是将之前的输入存储到内存中，作为我们今后决策的一个经验
我们想下FC（fully connection）网络，其输出结果就只跟当前输入有关，没有用到“经验”，那对于一些需要用到之前输入的场景就会显的力不从心，
因此我们一个很自然的想法就是将之前输入记住的，但是记住多少呢？我们人的记忆力有限，对于一些久远的、不重要的记忆自然就会忘了，
而对于我们决策总是起作用的事情就会记得很清楚，因此我们希望我们的模型也能有这个特性，记住重要的经验，遗忘不重要的
基于上面“经验”的假说，早期就有了RNN（recurrent neural network）了，其主要思想就是将单一的FC重复多份，串联起来，这样当前的输出就不止由当前输入决定，还会受前面输入的影响，其示意图如下：
但是很快人们就发现这种模型会有两个主要的问题：vanishing gradient 和 exploding gradient，梯度消失和梯度爆炸，一个直观的解释是：看上图x(t)会由x(0)乘以每个子单元之间的一个关系得到，我们用Whh表示，其特征就是 x(t) = x(0) * Whh^t，当我们Whh小于1和大于1的时候，就会分别出现梯度消失和梯度爆炸了。
于是后来就发明了LSTM，其思想就是我们之前说的“经验”，并在此基础上加上了“遗忘”，看下结构图：
图来自Understanding LSTM and its diagrams
对于上面的图，我们初看的时候第一眼感觉可能是复杂，此处我也不想过多的去解释上面的图了，更详细的可以这篇文章Understanding LSTM and its diagrams，其整体思路就是之前说的遗忘+经验，稍微具体点就是下面的图：
图片来自：零基础入门深度学习 (6) - 长短时记忆网络 (LSTM)
我们有3个开关，分别控制着我们的经验选择什么进行遗忘，然后当前的输入我们选择什么进行记忆，以及根据经验我们怎么做出判断，更具体的讲解可以阅读零基础入门深度学习 (6) - 长短时记忆网络 (LSTM)
理论讲了这么多，我们最重要的还是要用，下面我们就结合一些具体的例子来看下怎么使用RNN来解决实际问题
具体的例子可以查看github地址：LSTM的理解
