标签：序列 current keras 连接 一句话 消失 提取 学习 有一个
1、定义：什么是LSTM？
首先，我们知道最基础的神经网络是【全连接神经网络】，keras里为，dense层。Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use_bias=True才会添加。
然后是 卷积神经网络。卷积神经网络主要用在图片上，将一张很大的图片提取出图片的特征，其中还涉及了padding。
他们在处理【前一个输入】和【后一个输入】是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。比如，当我们在理解一句话意思时，孤立的理解这句话的每个词是不够的，我们需要处理这些词连接起来的整个序列；当我们处理视频的时候，我们也不能只单独的去分析每一帧，而要分析这些帧连接起来的整个序列。
这时，就需要用到深度学习领域中另一类非常重要神经网络：循环神经网络(Recurrent Neural Network)
但是传统的RNN有一个重大缺陷，就是在前向传播的过程当中会出现梯度消失的问题，梯度消失会导致一句话如果比较长，第一个字到后面的时候，都已经被忘记了。
所以引入了LSTM，LSTM相当于RNN的改进版。
【注意】一个LSTM单元，也就是一层LSTM，我们在图示中经常会根据T展开，但是他们其实是同一层LSTM。
keras中LSTM的参数：
units:
标签：序列 current keras 连接 一句话 消失 提取 学习 有一个
原文地址：https://www.cnblogs.com/yjybupt/p/10861904.html
