长短期记忆网络lstm图示

### LSTM神经网络结构图解

LSTM（Long Short-Term Memory Network），即长短时记忆网络，是一种特殊的循环神经网络(RNN)，能够学习长期依赖关系。这种能力使得LSTM在网络处理序列数据方面表现出色。

#### 基本单元构成
LSTM的核心在于其独特的细胞状态以及三个门控机制——输入门、遗忘门和输出门。这些组件共同作用来决定哪些信息应该被保留或丢弃[^1]。

- **细胞状态**：贯穿整个链式的水平线表示的是细胞的状态$c_t$，它允许信息沿着时间轴流动而不受太多干扰。

- **遗忘门层**：决定了有多少来自上一时刻的记忆会被忘记掉。通过一个Sigmoid函数计算得到0到1之间的数值作为权重系数应用于旧的细胞状态上。

- **输入门层**：用于更新当前时刻的新候选值$\tilde{C}_t$；同样由两个部分组成，一个是sigmoid激活后的$h_{t−1}$乘以$x_t$的结果控制着新信息进入的程度；另一个则是tanh产生的可能加入的信息本身。

- **输出门层**：最终确定要输出的内容。先经过一层Sigmoid筛选出有用的部分再经Tanh压缩范围并加权求和得出最后结果$h_t$。

以下是简化版的LSTM单元内部运作流程：

ft = σ(Wf * [ht-1, xt] + bf)    # 遗忘门
it = σ(Wi * [ht-1, xt] + bi)     # 输入门
C~t= tanh(Wc*[ht−1 ,xt ]+bc )   # 新增候选集
ct = ft⊙ ct −1 + it ⊙ C ~ t      # 更新细胞状态
ot = σ(Wo *[ ht −1 ,x t]+ bo )   # 输出门
ht = ot ∘ tanh(ct)               # 当前隐藏状态

其中`σ`代表逻辑回归(Sigmoid)函数而`tanh`是非线性的双曲正切激活函数；符号`⊙`表示按位相乘操作。

#### 架构可视化
为了更直观理解上述过程，下面给出一张典型的LSTM架构示意图:


此图为标准形式下的单个LSTM cell展开视图，在实际应用中多个这样的cell会串联起来形成完整的模型结构[^2]。