一、RNN

（一）简介

整个过程权重和偏置共享。

（二）梯度爆炸问题

        在这个例子中w2大于1，会出现梯度爆炸问题。

        当我们循环的次数越来越多的时候，这个巨大的数字会进入某些梯度，步长就会大幅增加，导致寻找最佳参数困难。另外会导致第一个输入的值影响越来越显著。

（三）梯度消失问题

        在这个例子中w2小于1，会出现梯度消失问题。

        当我们循环的次数越来越多的时候，这个非常的数字会进入某些梯度，步长就会大幅减小，导致寻找最佳参数困难。

二、长短期记忆网络LSTM

（一）主要思想

        不使用相同的反馈环连接，通过很久以前的事情和昨天的事情进行预测。而是使用两条独立的路径来对明天预测，一条用于长期记忆，另一条用于短期记忆。

（二）Sigmoid激活函数

（三）Tanh激活函数

（四）原理

第一阶段“遗忘门”：确定记住旧长期记忆的百分比，得出长期记忆值。

第二阶段：“输入门”

右边模块：将短期记忆和输入结合（权重×数值），创建潜在的长期记忆。旧长期记忆+潜在的长期记忆 = 新的长期记忆

左边模块：确定这个潜在记忆中的权重。

第三阶段“输出门”：更新短期记忆。（ 新长期通过激活函数计算潜在短期数值，再×权重 = 新的短期记忆）

        具体表现请看：【官方双语】LSTM（长短期记忆神经网络）最简单清晰的解释来了！ 第14：30处。

为什么通过LSTM能解决梯度爆炸和梯度消失的问题？