在 AI 領域，文本翻譯、語音識別、股價預測等場景都離不開序列數據處理。循環神經網絡（RNN）作為最早的序列建模工具，開創了 “記憶歷史信息” 的先河；而長短期記憶網絡（LSTM）則通過創新設計，突破了 RNN 的核心局限。今天，我們從原理、梯度推導到實踐，全面解析這兩大經典模型。

一、基礎鋪墊：RNN 的核心邏輯與痛點

RNN 的核心是讓模型 “記住過去”—— 通過隱藏層的循環連接，將前一時刻的信息傳遞到當前時刻，從而捕捉序列的時序關聯。但這種 “全記憶” 設計，也埋下了梯度消失的隱患。

1.1 核心結構與參數


RNN 結構簡化為 “輸入層 - 隱藏層 - 輸出層”，關鍵組件如下：

• 輸入：Xt（第 t 時刻輸入，如文本中的詞向量）
• 隱藏狀態：St（存儲截至 t 時刻的歷史信息，核心記憶載體）
• 輸出：Ot（第 t 時刻預測結果，如分類標簽）
• 共享參數（所有時間步復用）：Wx：輸入→隱藏層權重矩陣（維度：隱藏層維度 × 輸入維度）Ws：隱藏層→自身的循環權重矩陣（維度：隱藏層維度 × 隱藏層維度，關鍵）Wo：隱藏層→輸出層權重矩陣（維度：輸出維度 × 隱藏層維度）偏置：b?（隱藏層偏置，維度：隱藏層維度 ×1）、b?（輸出層偏置，維度：輸出維度 ×1）
• 激活函數：隱藏層用 tanh（值縮至 [-1,1]），輸出層用 Softmax（分類）或線性激活（回歸）

1.2 前向傳播：信息如何流動？

前向傳播是 “輸入→輸出” 的計算過程，每個時間步的結果依賴前一時刻的隱藏狀態（以下基于標量簡化，向量場景邏輯一致）：更新隱藏狀態

當前記憶 St由 “當前輸入 Xt” 和 “歷史記憶 St-1” 共同決定，tanh 確保狀態值在合理范圍。計算輸出

輸出僅依賴當前記憶St，體現 “歷史信息已壓縮到St中”。示例：若序列長度為 3（t=1,2,3），初始狀態 S?=0（無歷史信息）：

1.3 反向傳播（BPTT）與梯度推導

模型訓練依賴時間反向傳播（BPTT）：通過鏈式法則回溯所有時間步，計算損失對參數的梯度，再用梯度下降更新參數。假設損失函數為交叉熵損失 Loss = L (Ot, yt)（yt為 T 時刻真實標簽），核心是推導 Loss 對 Wx、Ws、Wo的梯度。1.3.1 核心梯度推導步驟步驟 1：計算 Loss 對輸出Ot的梯度若輸出層用 Softmax 激活 + 交叉熵損失，對單個樣本有：

當i=j時，等于：

當i≠j時，等于:

所以，softmax函數的導數可以表示為：

我們只需要將softmax層的輸出pi,pj代入上面的公式就可以做求導計算了。在多分類任務中，我們通常使用交叉熵損失函數（cross-entropy loss function）來評估模型的性能。交叉熵損失函數的定義如下：

其中yj是真實標簽的one??ot向量，pj是softmax函數的輸出。交叉熵損失函數的作用是衡量模型的預測概率p和真實標簽y之間的差異。交叉熵損失越小，表示模型的預測值越接近真實的標簽。經驗告訴我們，當使用softmax函數作為輸出層激活函數時，最好使用交叉熵作為其損失函數，這是因為交叉熵和softmax函數的結合可以簡化反向傳播的計算。為了證明這一點，我們對交叉熵函數求導：

其中?pj/?zi就是上文推導的softmax的導數，將其代入式中可得：

所以y是one-hot向量，所以：

最后，化簡得到的交叉熵函數的求導公式：

步驟 2：計算 Loss 對隱藏狀態 S?的梯度隱藏狀態St同時影響當前輸出Ot和下一時刻隱藏狀態 St+1，因此梯度需分兩部分：

拆解導數項：

由St+1=tanh(WxXt+1+WsSt+b1)求導：tanh'(x)=1?tanh2(x)因此遞推公式為：

（向量場景需轉置）步驟 3：計算 Loss 對參數的梯度對 Wo的梯度：

（向量場景下為外積）對 Wx的梯度：W?在所有時間步共享，需累加各時間步貢獻：

對Ws的梯度：同理，Ws的梯度為各時間步貢獻的累加：

1.3.2 梯度消失的核心原因：累乘衰減

從Ws的梯度公式可見，遠時刻（如 t=1）對梯度的貢獻需經過多次 tanh'(Sk)?Ws的累乘（k 從 2 到 T）：tanh'(Sk) ∈ [0,1]（tanh 導數特性，最大值為 1，多數時刻小于 0.5）|Ws| < 1（為避免數值爆炸，初始化時會限制權重范圍）導致累乘項隨時間步指數級衰減，例如：若tanh'(Sk)=0.5，|Ws|=0.8，序列長度T=10，則累乘項 =(0.5×0.8)^9≈0.00026，遠時刻梯度趨近于 0，模型無法捕捉長期依賴。

突破局限：LSTM 的創新設計與梯度推導

1997 年提出的 LSTM，通過“記憶細胞 + 門控機制”實現 “選擇性記憶”—— 保留重要信息、過濾噪聲，從根本上緩解梯度消失。

2.1 核心結構：三門 + 記憶細胞

LSTM 的核心是 “記憶細胞（C?）” 和三個門控，分工明確（以下基于標量簡化）：

σ 函數輸出 [0,1]，完美適配 “門控控制”（1 = 完全保留，0 = 完全過濾）；tanh 確保信息值在合理范圍

2.2 前向傳播：5 步完成記憶更新

LSTM 的前向傳播圍繞 “記憶細胞更新” 展開，步驟清晰：遺忘門：決定 “丟什么”ft=σ(Wxf?Xt+W?f??t?1+bf)例：ft=0.9→保留 90% 歷史記憶Ct?1；ft=0.1→過濾 90% 舊信息。更新門 + 候選記憶：決定 “加什么”更新門：it=σ(Wxi?Xt+W?i?ht?1+bi)（控制新信息的權重）候選記憶：gt=tanh(Wxg?Xt+W?g?ht?1+bg)（當前時刻的新信息）更新記憶細胞：“丟舊 + 加新”Ct=Ct?1?ft+gt?it?為對應元素相乘，Ct同時承載 “長期歷史Ct?1?ft” 和 “當前新信息gt?it”。輸出門：決定 “輸出什么”ot=σ(Wxo?Xt+W?o??t?1+bo)生成隱藏狀態與輸出ht=ot?tanh (Ct)（tanh 將Ct縮至 [-1,1]，再通過ot過濾）yt=Wy???t+by（最終預測結果，分類任務需加 Softmax）

2.3 反向傳播與梯度推導

LSTM 的反向傳播仍基于 BPTT，但需同時更新三門參數和記憶細胞相關梯度，核心是確保記憶細胞 C?的梯度穩定傳遞。假設損失 Loss = L (yt,y't)（y't為真實標簽），以下為關鍵梯度推導。

2.3.1 核心梯度 1：Loss 對記憶細胞 C?的導數

記憶細胞Ct同時影響當前隱藏狀態?t和下一時刻記憶細胞Ct+1，梯度公式為：

拆解導數項：?Loss/??t：損失對隱藏狀態的梯度，由輸出層反向推導：

（包含當前輸出和下一時刻四門的貢獻）??t/?Ct=ot?tanh'(Ct)（由?t=ot?tanh (Ct)求導）?Ct+1/?Ct=ft+1(由Ct+1=Ct?ft+1+gt+1?it+1求導)最終遞推公式：

2.3.2 核心梯度 2：Loss 對門控參數的導數（以遺忘門為例）遺忘門參數（Wxf、Whf、bf）的梯度需通過鏈式法則推導：先求 Loss 對遺忘門輸出ft的梯度：

再求 Loss 對遺忘門權重 Wxf的梯度：

（σ函數導數為σ(x)?(1-σ(x))，此處 ft=σ(...)，故?ft/?Wxf?ft?(1?ft)?Xt）同理，Loss對Whf的梯度：

更新門、輸出門、候選記憶的參數梯度推導邏輯一致，最終所有參數通過梯度下降（如 Adam 優化器）更新。2.3.3 LSTM 如何緩解梯度消失？對比 RNN 的梯度路徑，LSTM 的記憶細胞梯度傳遞具有決定性優勢：從?Loss?Ct的遞推公式可見，當模型需要保留長期信息時，會通過參數學習使遺忘門ft+1≈1，此時：

由于 tanh'(Ct)∈[0,1]，ot∈[0,1]，但核心是?Loss/?Ct+1直接傳遞到?Loss/?Ct，無指數級衰減。即使序列長度達到 100+，遠時刻（如 t=1）的梯度仍能穩定傳遞到當前時刻（如 t=100），從而有效捕捉長期依賴。

關鍵補充：模型如何 “學習” 讓ft+1≈1？

遺忘門ft+1的輸出由以下公式決定：ft+1=σ(Wxf?Xt+1+W?f??t+bf)
其中σ是 Sigmoid 函數，當輸入值>2 時，σ(x)≈0.95（接近1）。模型通過以下兩種方式學習讓ft+1≈1：

初始化階段：設置遺忘門偏置 bf>0

工程實踐中，會將遺忘門的偏置bf初始化為1~2（而非默認0），此時即使Wxf?Xt+1+W?f??t=0，ft+1=σ(bf)≈0.73（已較高），為后續學習 “保留長期信息” 奠定基礎。訓練階段：通過損失反向調整參數當模型因 “未保留遠時刻信息” 導致 Loss 升高時，反向傳播會調整Wxf、W?f、bf的取值：若 t=1 的信息對 t=100 的預測很重要，但當前f2=0.1（過濾了 t=1 的信息），則 Loss 會增大；反向傳播時，?Loss/?f2為正值（增加f2可降低 Loss），進而通過?Loss/?Wf調整權重，使f2增大；反復迭代后，模型會學習到 “對重要的長期信息，讓ft+1≈1。

三、RNN vs LSTM：怎么選？

兩大模型各有優劣，需結合場景匹配：

四、工程實踐小貼士4.1 模型選擇策略先簡后繁：先用 RNN 驗證短序列任務可行性，若精度不達標（如測試集準確率 < 85%），再替換為 LSTM；折中方案：若 LSTM 計算壓力大，可選用 GRU（門控循環單元）—— 簡化為重置門和更新門 2 個門，參數量比 LSTM 少 25%，性能接近 LSTM；

數據適配：若序列長度差異大（如文本長度 5-200 詞），可采用 “截斷 + 填充”（固定序列長度）或 “動態批處理”（同批次序列長度一致）。4.2 LSTM 性能優化技巧參數裁剪：隱藏層維度從 256 降至 128，參數量減少 75%，訓練速度提升 2-3 倍；序列分段：將長序列（如 1000 幀音頻）拆分為 10 個 100 幀子序列，采用 “滾動預測” 拼接結果；量化訓練：將 32 位浮點數參數轉為 16 位半精度，顯存占用減少 50%，推理速度提升 1.5 倍；正則化：添加 Dropout（隱藏層 dropout 率 0.2-0.5）、L2 正則化（權重衰減系數 1e-4），緩解過擬合。

4.3 常見問題排查

總結RNN 作為序列建模的 “基石”，以簡單的循環結構開創了歷史信息復用的思路，但受限于梯度消失無法處理長序列；LSTM 則通過記憶細胞和門控機制的創新，從梯度傳遞路徑上解決了長期依賴問題，成為長序列任務的經典方案。盡管當前 Transformer（如 BERT、GPT）在多數序列任務中表現更優，但 RNN 和 LSTM 的核心思想（時序關聯捕捉、選擇性記憶）仍是理解復雜序列模型的基礎，也是 AI 工程師在資源受限場景下的重要選擇。你在項目中用過 RNN 或 LSTM 嗎？遇到過哪些訓練難題？歡迎在評論區分享你的實踐經驗！

本文轉自：秦芯智算