一、RNN

遞歸神經網絡（RNN）被提出用來處理80年代的輸入序列時間信息。1993年，神經歷史壓縮器系統解決了“非常深度學習”任務，該任務需要及時展開RNN中的1000多個后續層。如圖1所示，在傳統的建?；顒樱ɡ缜梆伾窠浘W絡）中，我們顯然會看到固定輸入大小到固定輸出大小的固定網絡。在前饋神經網絡的包圍下，我們得到圖1.b以揭示RNN的可區分性。

RNN能將輸入動態更改為包含多個輸入向量，每時間段一個，并且每個向量可以有很多列。

對于圖2所示的RNN網絡，假設輸入序列為{x1，x2，…xt}，則隱藏層節點的相應時間向量為H={ h1，h2，…ht }，并且輸出節點分別對應于Y={ y1，y2…yt }，其中xi ，hi，yi（i=1，2…t）是神經網絡相應層大的節點向量。

圖1 前饋神經網絡

圖2 遞歸神經網絡（RNN）

在普通的前饋神經網絡中，前向傳播公式如下：

在前饋神經網絡的RNN中，前向傳播公式如下：

其中Wxh制是輸入層和隱藏才能夠之間的權重矩陣，bh是隱藏層的偏差矢量。Why是隱藏層和輸出層之間的權重矩陣，by是輸出層的偏差矢量。Whh圖是隱藏層上一時刻與下一時刻之間的權重矩陣。σ是sigmoid（）的激活功能。

由于RNN迭代復用隱藏層，導致RNN可以有效的保留序列的時間信息。如圖1所示，一般的神經網絡結構是從輸入層到隱藏層再到輸出層，并且每次的輸出都與之前和之后的輸入無關。如圖2所示，RNN將在隱藏層中循環多路復用，因此它可以有效的保存序列的時間信息，并且每次輸出的結果都受到所有先前輸入的影響。

圖3遞歸神經網絡的發展

圖4 消失梯度問題

在圖3中，擴展了RNN的結構以解釋RNN的隱藏層復用。除第一層外，RNN還將前一次隱藏層的結果與最新的輸入一起用作當前時間的輸入，從而影響后續的結果，同時是達到了保存序列時間信息的目的。

但是眾所周知，RNN存在“消失梯度問題”。如圖4所示，當梯度變得太大或者太小并且難以對輸入數據集的結構中的長期依賴關系（10個時間步或更多）進行建模是就會出現這個問題。

二、 LSTM

為了克服RNN的“消失梯度問題”，Hochreiter和Schmidhuber于1997年提出了具有RNN架構的長短期記憶（LSTM）網絡。

如圖5所示，LSTM和其它神經網絡模型之間的區別在于其獨特的LSTM單元。當它與LSTM結合使用時，在不同時間階段傳播的LSTM的ht參數傳輸內部存儲器狀態Ct。盡管LSTM單元有很多改進的結構，但是它們都沒有將模型的預測準確性進一步提升。 在圖5中，從左到右的四個部分是忘記門，輸入門，單元門和輸出門。

圖5 長短期記憶網絡單元

每個門對應的輸入時ht-1，xt和它們對應的權重矩陣。 忘記門負責選擇性地忘記存儲在原始單元中的先前狀態，以避免“消失梯度問題”。 輸入門和單元門的結果相乘并加到先前的單元Ct-1上。最后，為了計算當前的輸出ht ，我們使用了當前的單元門結果與出出門結果。使用到的相關公式如下：

Ft、It、Ct和Ot分別是四個門各自的輸出結果。W是從相應的輸入到對應的門。例如，Wxy是相應的輸入層到斜門的權重，并且Whi從上一刻就隱藏了起來。從層到輸入門的權重bf，bi，bc和bo是四個門的偏置矢量，⊙是兩個矢量或矩陣點乘法。σ和tanh（）是常用的激活函數。