Recurrent Neural Network
相比于一般的神经网络，比如MLP(Full-connection Neural Network),RNN是一种用于处理序列数据的神经网络，它能处理序列变化的数据。比如一个单词在上下文中的会有的不同含义。它能很好地处理这类问题。
RNN简介
x为当前的输入状态
h为接收的上一节点的输入数据
y为当前节点状态下的输出
h'为传递到下一节点的输出
LSTM简介
长短期记忆（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的问题。相比普通的RNN，LSTM能够在更长的序列里有更好的表现。
相比RNN只有一个传递状态，LSTM有两个，一个（cell,state）,一个
(hidden state)。（RNN中的
对应于LSTM中的
）
其中对于要传递的，状态改变很慢，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。
深入LSTM的结构
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。
、
、
都是拼接向量乘以权重矩阵后，通过一个sigmoid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z是将结果通过tanh激活函数转换成0到1之间的数值。
进一步介绍这四个状态在LSTM中的使用
是Hadamard Product, 也就是操作矩阵中对应的元素相乘，两个相乘矩阵是同型的。
则代表着矩阵相加。
LSTM内部主要有三个阶段：
1、忘记阶段，对上一个节点传进来的输入进行选择性忘记。
具体来说，通过计算得到的（forget），来作为忘记门控，来控制上一个状态
哪些需要留，哪些需要忘记。
2、选择记忆阶段，这个阶段对这个阶段的输入进行选择性记忆。主要是对进行选择记忆。哪些重要着重记忆。
当前的输入内容有前面计算得到的z得到。
选择的门控信号是由（information）来控制。
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。
3、输出阶段。这个阶段将决定哪些会被当成当前状态的输出。主要通过(output)来控制。
与普通RNN类似，输出往往最终也是通过
变化得到。
