感谢：https://zhuanlan.zhihu.com/p/32085405
文章 写的怪好的 但是 在博客的体现并不怎么好看 如果想看 去看md文档
0. RNN
先简单介绍一下一般的RNN。
这里：
x为当前状态下数据的输入， h表示接收到的上一个节点的输入。
y为当前节点状态下的输出，而**h’**为传递到下一个节点的输出。
通过上图的公式可以看到，输出 h’ 与 x 和 h 的值都相关。
而 y 则常常使用 h’ 投入到一个线性层（主要是进行维度映射）然后使用softmax进行分类得到需要的数据。
对这里的y如何通过 h’ 计算得到往往看具体模型的使用方式。
通过序列形式的输入，我们能够得到如下形式的RNN。
1. LSTM
长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
相比RNN只有一个传递状态 ，LSTM有两个传输状态，一个
（cell state），和一个
（hidden state）。（Tips：RNN中的
对于LSTM中的
）
其中对于传递下去的 改变得很慢，通常输出的
是上一个状态传过来的
加上一些数值。
而 则在不同节点下往往会有很大的区别。
1.1 LSTM 结构深入
下面具体对LSTM的内部结构来进行剖析。
首先使用LSTM的当前输入 和上一个状态传递下来的
拼接训练得到四个状态。
其中， ，
，
是由拼接向量乘以权重矩阵之后，再通过一个
激活函数转换成0到1之间的数值，来作为一种门控状态。而
则是将结果通过一个
激活函数将转换成-1到1之间的值（这里使用
是因为这里是将其做为输入数据，而不是门控信号）
下面开始进一步介绍这四个状态在LSTM内部的使用。（敲黑板）
其经典图片是这样的
1.2 主要的阶段
LSTM内部主要有三个阶段：
- 忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会 “忘记不重要的，记住重要的”。
具体来说是通过计算得到的 （f表示forget）来作为忘记门控，来控制上一个状态的
哪些需要留哪些需要忘。
- 选择记忆阶段。这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入
进行选择记忆。哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的
表示。而选择的门控信号则是由
（i代表information）来进行控制。
将上面两步得到的结果相加，即可得到传输给下一个状态的
。也就是上图中的第一个公式。
- 输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。主要是通过
来进行控制的。并且还对上一阶段得到的
进行了放缩（通过一个tanh激活函数进行变化）。
与普通RNN类似，输出 往往最终也是通过
变化得到。
1.3 总结
以上，就是LSTM的内部结构。通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息；而不像普通的RNN那样只能够“呆萌”地仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说，尤其好用。
但也因为引入了很多内容，导致参数变多，也使得训练难度加大了很多。因此很多时候我们往往会使用效果和LSTM相当但参数更少的GRU来构建大训练量的模型。
2. GRU
GRU（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的 。
其性能与LSTM相当 ，但是 其计算的消耗较前者少。
2.1 输入输出
GRU的输入输出结构与普通的RNN是一样的。
有一个当前的输入 ，和上一个节点传递下来的隐状态（hidden state）
，这个隐状态包含了之前节点的相关信息。
结合 和
，GRU会得到当前隐藏节点的输出
和传递给下一个节点的隐状态
。
2.2 内部结构
通过上一个传输下来的状态 和当前节点的输入
来获取两个门控状态。 其中
控制重置的门控（reset gate），
为控制更新的门控（update gate）。
得到门控信号之后，首先使用重置门控来得到“重置”之后的数据 ，再将
与输入
进行拼接，再通过一个tanh激活函数来将数据放缩到**-1~1**的范围内。即得到如下图2-3所示的
。
这里的 主要是包含了当前输入的
数据。有针对性地对
添加到当前的隐藏状态，相当于”记忆了当前时刻的状态“。
最后介绍GRU最关键的一个步骤，我们可以称之为”更新记忆“阶段。
在这个阶段，我们同时进行了遗忘了记忆两个步骤。我们使用了先前得到的更新门控 （update gate）。
更新表达式：
首先再次强调一下，门控信号（这里的 ）的范围为0~1。门控信号越接近1，代表”记忆“下来的数据越多；而越接近0则代表”遗忘“的越多。
有读者发现在pytorch里面的GRU[链接]写法相比原版对
多了一个映射，相当于一个GRU变体，猜测是多加多这个映射能让整体实验效果提升较大。如果有了解的同学欢迎评论指出。
GRU很聪明的一点就在于，我们使用了同一个门控 就同时可以进行遗忘和选择记忆（LSTM则要使用多个门控）。
：表示对原本隐藏状态的选择性“遗忘”。这里的
可以想象成遗忘门（forget gate），忘记
： 表示对包含当前节点信息的
进行选择性”记忆“。与上面类似，这里的
同理会忘记
维度中的一些不重要的信息。或者，这里我们更应当看做是对
维度中的某些信息进行选择。
：结合上述，这一步的操作就是忘记传递下来的
中的某些维度信息，并加入当前节点输入的某些维度信息。
可以看到，这里的遗忘
和选择
2.3 总结
GRU输入输出的结构与普通的RNN相似，其中的内部思想与LSTM相似。
与LSTM相比，GRU内部少了一个”门控“，参数比LSTM少，但是却也能够达到与LSTM相当的功能。考虑到硬件的计算能力和时间成本，因而很多时候我们也就会选择更加”实用“的GRU啦。