LSTM(Long Short-Term Memory)和LSTM例子理解

What is LSTM

LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。

LSTM

LSTM是为了解决RNN在长期依赖方面的问题，以解决随着梯度下降产生的梯度消失（返回的数值在经过每一层神经网络的时候，乘以一个小于一的权重值，在一定次数之后，返回的数值消失【返回的数值接近于0】），或者是梯度爆炸（返回的数值在经过每一层神经网络的时候，乘以一个大于一的权重值，在一定次数之后，返回的数值爆炸【返回的数值接近于无穷大】）
LSTM实在传统的RNN的每一层的输入层，神经网络层，输出层上加入一个处理函数：
1.在输入层之后添加一个GET()函数用于判断是否要在只有的神经网络的Train中使用当前时刻的输入信息。
2.在神经网络层上添加一个FORGET()函数用于判断是否需要之前时刻神经网络Train产生的结果，来作为当前时刻的神经网络Train的输入信息。或者将其暂时忘记。
3.在输出层之后添加一个GET()函数用于判断是否要读取当前M中产生的信息。
由于加入了以上三个函数，LSTM能够较好的完成RNN在长期依赖方面的问题。获取更好的Train结果。

LSTM例子——论如何快速通关仙剑奇侠传一

正如我们所知道的经典单机游戏仙剑奇侠传一是一个主线剧情+支线剧情的单机扮演类游戏，我们可以通过不断的与剧情任务（主线剧情或支线剧情）的互动来推动游戏向前发展。

对比于LSTM，RNN就是一般玩家。我们可以这样理解整个从一般的RNN推进的顺序可以看做是仙剑的主线剧情（标准结局，Stand End or Sad End），毫无疑问，如果我们只是和RNN一样玩了个Stand End，是难以让我们满足的。

所以，LSTM就登场啦。在骨灰级玩家LSTM的操作之下，我们学会了开发支线剧情，存档操作等等一系列的操作，就使得我们有了更好的（月如版隐藏结局与灵儿版隐藏结局，Happy End）。
在这里的LSTM开发支线剧情，存档操作等等一系列的操作就是我们上面所讲述输入层GET()函数、神经网络层FORGET()函数、输出层GET()函数的作用。我们可以这样理解这三个函数：
输入层GET()函数就是要不要将分线剧情考虑到主线剧情之中（要不要做支线任务，以重不重要，会对结果产生怎么样影响来决定进行还是忽略）。
神经网络层FORGET()函数（分线剧情是否十分重要，需不需要我们暂时忘记主线剧情）。
输出层GET()函数（这一个分线剧情会对我们产生什么影响，是保留还是消除它的作用）。

PS：好吧，我承认我是标题党，我也承认图片不是仙一。