标准RNN可以处理短期依赖，难以处理长期依赖，例如 I grew up in France...........I speak fluent _____.空格处显然应该填法语，但是标准RNN中，输入x4对Ot的影响可能微乎其微，而LSTM(Long Short-Term Memory)，即长短时记忆网络，是RNN的扩展，其会通过特殊的结构设计来增加长期记忆问题。
LSTM的结构如下图，比标准RNN多出了一部分C,为长期状态，体现为向量：
忘记门确定接收哪些长期信息，遗忘哪些长期信息；
输入门控制如何利用当前的信息来更新长期状态；
输出门控制如何使用长期状态来更新当前隐藏层的输出ht；
以下左图为乘法门，为了让信息选择性的通过，sigmoid层的输出矩阵中每隔元素的范围是[0,1],输入如果乘以0，则不输出；如果乘以1则输出。右图为加法门，在输入1的基础上加上输入2的信息进行更新。因此，在LSTM中，忘记门和输出门要用到乘法门，输入门要用到加法门。
图中保存和流动的就是长期状态信息，以下是LSTM的详细计算过程。
（1）忘记信息：从长期状态中丢弃某些信息。
忘记信息是通过对上一时刻的长期状态Ct-1乘以一个忘记门ft来实现的，ft矩阵中每一个元素都是通过sigmoid函数映射到0,1之间的，如果Ct-1中的某个元素乘以ft中的1，表示该元素的取值完全保留，相反如果乘以0则表示完全忘记。忘记门的输入为ht-1和xt的拼接。
（2）新记忆信息：将新信息存放在长期状态中
更新长期状态是由三个部分完成的，首先利用一个双曲正切层创建一个新的候选值向量，然后利用sigmoid层即输入门 it 控制候选值向量哪些元素需要更新以及更新的幅度。最后新的输入信息被加入到长期状态中。
（3）计算输出信息
首先，利用ht-1和xt的拼接，并通过sigmoid函数来确定将输出哪些信息，即得到输出门ot。然后将长期状态通过双曲正切层进行处理，将其与经过输出门过滤后的结果进行进行相乘。得到要输出的信息ht。ht就是我们最终要得到的，可以通过sigmoid进行处理或者当做下一次的输入，以上就是LSTM的主要框架。
附：1> 双曲正切函数tanh，形式如下：
定义域为R,值域为（-1,1），在x=0时函数值也为0，所以函数过原点。
2> sigmoid函数，形式如下：
当x=0时函数过（0,0.5）
结语：保持学习，持续热爱。