在上一个视频中你已经学了GRU（门控循环单元）。它能够让你可以在序列中学习非常深的连接。其他类型的单元也可以让你做到这个，比如LSTM即长短时记忆网络，甚至比GRU更加有效，让我们看看。

这里是上个视频中的式子，对于GRU我们有 a < t > = c < t > a^{<t>}=c^{<t>} a<t>=c<t>。

还有两个门:

更新门 Γ u \Gamma_u Γu​（the update gate）

相关门 Γ r \Gamma_r Γr​（the relevance gate）

c ~ < t > \tilde{c}^{<t>} c~<t>，这是代替记忆细胞的候选值，然后我们使用更新门 Γ u \Gamma_u Γu​ 来决定是否要用 c ~ < t > \tilde{c}^{<t>} c~<t> 更新 c < t > c^{<t>} c<t>。

LSTM是一个比GRU更加强大和通用的版本，这多亏了 Sepp Hochreiter和 Jurgen Schmidhuber，感谢那篇开创性的论文，它在序列模型上有着巨大影响。我感觉这篇论文是挺难读懂的，虽然我认为这篇论文在深度学习社群有着重大的影响，它深入讨论了梯度消失的理论，我感觉大部分的人学到LSTM的细节是在其他的地方，而不是这篇论文。

这就是LSTM主要的式子（上图编号2所示），我们继续回到记忆细胞c和更新它的候选值 c ~ < t > \tilde{c}^{<t>} c~<t>（上图编号3所示）上面来 。注意了，在LSTM中我们不再有 a < t > = c < t > a^{<t>}=c^{<t>} a<t>=c<t> 的情况，这是现在我们用的是类似于左边这个式子（上图编号4所示），但是有一些改变，现在我们专门使用 a < t > a^{<t>} a<t> 或者 a < t − 1 > a^{<t-1>} a<t−1>，而不是用 c < t − 1 > c^{<t-1>} c<t−1>（使用 c ~ < t > = t a n h ( W c [ a < t − 1 > , x < t > ] + b c ) \tilde{c}^{<t>}=tanh(W_c[a^{<t-1>},x^{<t>}]+b_c) c~<t>=tanh(Wc​[a<t−1>,x<t>]+bc​)），我们也不用 Γ r \Gamma_r Γr​，即相关门。虽然你可以使用LSTM的变体，然后把这些东西（左边所示的GRU公式）都放回来，但是在更加典型的LSTM里面，我们先不那样做。

我们像以前那样有一个更新门 Γ u \Gamma_u Γu​ 和表示更新的参数 W u W_u Wu​， Γ u = σ ( W u [ a < t − 1 > , x < t > ] + b u ) \Gamma_u=\sigma(W_u[a^{<t-1>},x^{<t>}]+b_u) Γu​=σ(Wu​[a<t−1>,x<t>]+bu​)（上图编号5所示）。一个LSTM的新特性是不只有一个更新门控制，这里的这两项（上图编号6，7所示），我们将用不同的项来代替它们，要用别的项来取代 Γ u \Gamma_u Γu​ 和 1 − Γ u 1-\Gamma_u 1−Γu​，这里（上图编号6所示）我们用 Γ u \Gamma_u Γu​。

然后这里（上图编号7所示）用遗忘门（the forget gate），我们叫它 Γ f \Gamma_f Γf​，所以这个 Γ f = σ ( W f [ a < t − 1 > , x < t > ] + b f ) \Gamma_f=\sigma(W_f[a^{<t-1>},x^{<t>}]+b_f) Γf​=σ(Wf​[a<t−1>,x<t>]+bf​)（上图编号8所示）；

然后我们有一个新的输出门， Γ o = σ ( W o [ a < t − 1 > , x < t > ] + b o ) \Gamma_o=\sigma(W_o[a^{<t-1>},x^{<t>}]+b_o) Γo​=σ(Wo​[a<t−1>,x<t>]+bo​) （上图编号9所示）；

于是记忆细胞的更新值 c < t > = Γ u ∗ c ~ < t > + Γ f ∗ c < t − 1 > c^{<t>}=\Gamma_u*\tilde{c}^{<t>}+\Gamma_f*c^{<t-1>} c<t>=Γu​∗c~<t>+Γf​∗c<t−1>（上图编号10所示）；

所以这给了记忆细胞选择权去维持旧的值 c < t − 1 > c^{<t-1>} c<t−1> 或者就加上新的值 c ~ < t > \tilde{c}^{<t>} c~<t>，所以这里用了单独的更新门 Γ u \Gamma_u Γu​ 和遗忘门 Γ f \Gamma_f Γf​，

然后这个表示更新门（ Γ u = σ ( W u [ a < t − 1 > , x < t > ] + b u ) \Gamma_u=\sigma(W_u[a^{<t-1>},x^{<t>}]+b_u) Γu​=σ(Wu​[a<t−1>,x<t>]+bu​) 上图编号5所示）；

遗忘门（ Γ f = σ ( W f [ a < t − 1 > , x < t > ] + b f ) \Gamma_f=\sigma(W_f[a^{<t-1>},x^{<t>}]+b_f) Γf​=σ(Wf​[a<t−1>,x<t>]+bf​) 上图编号8所示）和输出门（上图编号9所示）。

最后 a < t > = c < t > a^{<t>}=c^{<t>} a<t>=c<t> 的式子会变成 a < t > = Γ o ∗ c < t > a^{<t>}=\Gamma_o*c^{<t>} a<t>=Γo​∗c<t>。这就是LSTM主要的式子了，然后这里（上图编号11所示）有三个门而不是两个，这有点复杂，它把门放到了和之前有点不同的地方。

再提一下，这些式子就是控制LSTM行为的主要的式子了（上图编号1所示）。像之前一样用图片稍微解释一下，先让我把图画在这里（上图编号2所示）。如果图片过于复杂，别担心，我个人感觉式子比图片好理解，但是我画图只是因为它比较直观。这个右上角的图的灵感来自于Chris Ola的一篇博客，标题是《理解LSTM网络》（Understanding LSTM Network），这里的这张图跟他博客上的图是很相似的，但关键的不同可能是这里的这张图用了 a < t − 1 > a^{<t-1>} a<t−1> 和 x < t > x^{<t>} x<t> 来计算所有门值（上图编号3，4所示），在这张图里是用 a < t − 1 > ， x < t > a^{<t-1>}，x^{<t>} a<t−1>，x<t> 一起来计算遗忘门 Γ f \Gamma_f Γf​ 的值，还有更新门 Γ u \Gamma_u Γu​ 以及输出门 Γ o \Gamma_o Γo​（上图编号4所示）。然后它们也经过tanh函数来计算 c ~ < t > \tilde{c}^{<t>} c~<t>（上图编号5所示），这些值被用复杂的方式组合在一起，比如说元素对应的乘积或者其他的方式来从之前的 c < t − 1 > c^{<t-1>} c<t−1>（上图编号6所示）中获得 c < t > c^{<t>} c<t>（上图编号7所示）。

这里其中一个元素很有意思，如你在这一堆图（上图编号8所示的一系列图片）中看到的，这是其中一个，再把他们连起来，就是把它们按时间次序连起来，这里（上图编号9所示）输入 x < 1 > x^{<1>} x<1>，然后 x < 2 > ， x < 3 > x^{<2>}，x^{<3>} x<2>，x<3>，然后你可以把这些单元依次连起来，这里输出了上一个时间的 a a a， a a a 会作为下一个时间步的输入， c c c 同理。在下面这一块，我把图简化了一下（相对上图编号2所示的图有所简化）。然后这有个有意思的事情，你会注意到上面这里有条线（上图编号10所示的线），这条线显示了只要你正确地设置了遗忘门和更新门，LSTM是相当容易把的 c < 0 > c^{<0>} c<0> 值（上图编号11所示）一直往下传递到右边，比如 c < 3 > = c < 0 > c^{<3>}=c^{<0>} c<3>=c<0>（上图编号12所示）。这就是为什么LSTM和GRU非常擅长于长时间记忆某个值，对于存在记忆细胞中的某个值，即使经过很长很长的时间步。

这就是LSTM，你可能会想到这里和一般使用的版本会有些不同，最常用的版本可能是门值不仅取决于 a < t − 1 > a^{<t-1>} a<t−1> 和 x < t > x^{<t>} x<t>，有时候也可以偷窥一下 c < t − 1 > c^{<t-1>} c<t−1> 的值（上图编号13所示），这叫做“窥视孔连接”（peephole connection）。虽然不是个好听的名字，但是你想，“偷窥孔连接”其实意思就是门值不仅取决于 a < t − 1 > a^{<t-1>} a<t−1> 和 x < t > x^{<t>} x<t>，也取决于上一个记忆细胞的值（ c < t − 1 > c^{<t-1>} c<t−1> ），然后“偷窥孔连接”就可以结合这三个门（ Γ u 、 Γ f 、 Γ o \Gamma_u、\Gamma_f、\Gamma_o Γu​、Γf​、Γo​ ）来计算了。

如你所见LSTM主要的区别在于一个技术上的细节，比如这（上图编号13所示）有一个100维的向量，你有一个100维的隐藏的记忆细胞单元，然后比如第50个 c < t − 1 > c^{<t-1>} c<t−1> 的元素只会影响第50个元素对应的那个门，所以关系是一对一的，于是并不是任意这100维的 c < t − 1 > c^{<t-1>} c<t−1> 可以影响所有的门元素。相反的，第一个 c < t − 1 > c^{<t-1>} c<t−1> 的元素只能影响门的第一个元素，第二个元素影响对应的第二个元素，如此类推。但如果你读过论文，见人讨论“偷窥孔连接”，那就是在说 c < t − 1 > c^{<t-1>} c<t−1>也能影响门值。

LSTM前向传播图：


LSTM反向传播计算：

门求偏导：

d Γ o < t > = d a n e x t ∗ t a n h ( c n e x t ) ∗ Γ o < t > ∗ ( 1 − Γ o < t > ) d\Gamma_o^{<t>}=da_{next}*tanh(c_{next})*\Gamma_o^{<t>}*(1-\Gamma_o^{<t>}) dΓo<t>​=danext​∗tanh(cnext​)∗Γo<t>​∗(1−Γo<t>​) (1)

d c ~ < t > = d c n e x t ∗ Γ i < t > + Γ o < t > ( 1 − t a n h ( c n e x t ) 2 ∗ i t ∗ d a n e x t ∗ c ~ < t > ∗ ( 1 − t a n h ( c ~ ) 2 ) d\tilde{c}^{<t>}=dc_{next}*\Gamma_i^{<t>}+\Gamma_o^{<t>}(1-tanh(c_{next})^2*i_t*da_{next}*\tilde{c}^{<t>}*(1-tanh(\tilde{c})^2) dc~<t>=dcnext​∗Γi<t>​+Γo<t>​(1−tanh(cnext​)2∗it​∗danext​∗c~<t>∗(1−tanh(c~)2) (2)

d Γ u < t > = d c n e x t ∗ c ~ < t > + Γ o < t > ( 1 − t a n h ( c n e x t ) 2 ∗ c ~ t ∗ d a n e x t ∗ Γ u < t > ∗ ( 1 − Γ u < t > ) d\Gamma_u^{<t>}=dc_{next}*\tilde{c}^{<t>}+\Gamma_o^{<t>}(1-tanh(c_{next})^2*\tilde{c}_t*da_{next}*\Gamma_u^{<t>}*(1-\Gamma_u^{<t>}) dΓu<t>​=dcnext​∗c~<t>+Γo<t>​(1−tanh(cnext​)2∗c~t​∗danext​∗Γu<t>​∗(1−Γu<t>​)(3)

d Γ f < t > = d c n e x t ∗ c ~ p r e v + Γ o < t > ( 1 − t a n h ( c n e x t ) 2 ∗ c p r e v ∗ d a n e x t ∗ Γ f < t > ∗ ( 1 − Γ f < t > ) d\Gamma_f^{<t>}=dc_{next}*\tilde{c}_{prev}+\Gamma_o^{<t>}(1-tanh(c_{next})^2*c_{prev}*da_{next}*\Gamma_f^{<t>}*(1-\Gamma_f^{<t>}) dΓf<t>​=dcnext​∗c~prev​+Γo<t>​(1−tanh(cnext​)2∗cprev​∗danext​∗Γf<t>​∗(1−Γf<t>​)(4)

参数求偏导 ：

d W f = d Γ f < t > ∗ ( a p r e v x t ) T ( 5 ) dW_f=d\Gamma_f^{<t>}*\begin{pmatrix} a_{prev}\\ x_t\\ \end{pmatrix}^T (5) dWf​=dΓf<t>​∗(aprev​xt​​)T(5)
d W u = d Γ u < t > ∗ ( a p r e v x t ) T ( 6 ) dW_u=d\Gamma_u^{<t>}*\begin{pmatrix} a_{prev}\\ x_t\\ \end{pmatrix}^T (6) dWu​=dΓu<t>​∗(aprev​xt​​)T(6)
d W c = d Γ c < t > ∗ ( a p r e v x t ) T ( 7 ) dW_c=d\Gamma_c^{<t>}*\begin{pmatrix} a_{prev}\\ x_t\\ \end{pmatrix}^T (7) dWc​=dΓc<t>​∗(aprev​xt​​)T(7)
d W o = d Γ o < t > ∗ ( a p r e v x t ) T ( 8 ) dW_o=d\Gamma_o^{<t>}*\begin{pmatrix} a_{prev}\\ x_t\\ \end{pmatrix}^T (8) dWo​=dΓo<t>​∗(aprev​xt​​)T(8)

为了计算 d b f , d b u , d b c , d b o db_f,db_u,db_c,db_o dbf​,dbu​,dbc​,dbo​ 需要各自对 d Γ f < t > , d Γ u < t > , d c ~ < t > , d Γ o < t > d\Gamma_f^{<t>},d\Gamma_u^{<t>},d\tilde{c}^{<t>},d\Gamma_o^{<t>} dΓf<t>​,dΓu<t>​,dc~<t>,dΓo<t>​ 求和。

最后，计算隐藏状态、记忆状态和输入的偏导数：

d a p r e v = W f T ∗ d Γ f < t > + W u T ∗ d Γ u < t > + W c T ∗ d c ~ < t > + W o T ∗ d Γ o < t > ( 9 ) da_{prev}=W^T_f*d\Gamma_f^{<t>}+W^T_u*d\Gamma_u^{<t>}+W^T_c*d\tilde{c}^{<t>}+W^T_o*d\Gamma_o^{<t>} (9) daprev​=WfT​∗dΓf<t>​+WuT​∗dΓu<t>​+WcT​∗dc~<t>+WoT​∗dΓo<t>​(9)
d c p r e v = d c n e x t ∗ Γ f < t > + Γ o < t > ∗ ( 1 − t a n h ( c n e x t ) 2 ) ∗ Γ f < t > ∗ d a n e x t ( 10 ) dc_{prev}=dc_{next}*\Gamma_f^{<t>}+\Gamma_o^{<t>}*(1-tanh(c_{next})^2)*\Gamma_f^{<t>}*da_{next} (10) dcprev​=dcnext​∗Γf<t>​+Γo<t>​∗(1−tanh(cnext​)2)∗Γf<t>​∗danext​(10)
d x < t > = W f T ∗ d Γ f < t > + W u T ∗ d Γ u < t > + W c T ∗ d c ~ t + W o T ∗ d Γ o < t > ( 11 ) dx^{<t>}=W^T_f*d\Gamma_f^{<t>}+W^T_u*d\Gamma_u^{<t>}+W^T_c*d\tilde{c}_{t}+W^T_o*d\Gamma_o^{<t>} (11) dx<t>=WfT​∗dΓf<t>​+WuT​∗dΓu<t>​+WcT​∗dc~t​+WoT​∗dΓo<t>​(11)

这就是LSTM，我们什么时候应该用GRU？什么时候用LSTM？这里没有统一的准则。而且即使我先讲解了GRU，在深度学习的历史上，LSTM也是更早出现的，而GRU是最近才发明出来的，它可能源于Pavia在更加复杂的LSTM模型中做出的简化。研究者们在很多不同问题上尝试了这两种模型，看看在不同的问题不同的算法中哪个模型更好，所以这不是个学术和高深的算法，我才想要把这两个模型展示给你。

GRU的优点是这是个更加简单的模型，所以更容易创建一个更大的网络，而且它只有两个门，在计算性上也运行得更快，然后它可以扩大模型的规模。

但是LSTM更加强大和灵活，因为它有三个门而不是两个。如果你想选一个使用，我认为LSTM在历史进程上是个更优先的选择，所以如果你必须选一个，我感觉今天大部分的人还是会把LSTM作为默认的选择来尝试。虽然我认为最近几年GRU获得了很多支持，而且我感觉越来越多的团队也正在使用GRU，因为它更加简单，而且还效果还不错，它更容易适应规模更加大的问题。

所以这就是LSTM，无论是GRU还是LSTM，你都可以用它们来构建捕获更加深层连接的神经网络。

（Hochreiter S, Schmidhuber J. Long Short-Term Memory[J]. Neural Computation, 1997, 9(8):1735-1780.）