这学期开始学习nlp 准备开个专题 记录下学习过程， 今天来讲讲 rnn。 大家都知道 cnn在cv大放异彩，rnn则在 nlp领域被广泛使用。
RNN 适合处理序列的神经网络，序列的意思打个比方就是一个词汇他的意思是随着上下文变化的。
y 则常常使用 h’ 投入到一个线性层（主要是进行维度映射）然后使用softmax进行分类得到需要的数据。
lstm:
长短期记忆（Long short-term memory, 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问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
LSTM三个阶段：
- 忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记
具体来说是通过计算得到的 zf （f表示forget）来作为忘记门控 gate
，来控制上一个状态的 c t-1 哪些需要留哪些需要忘。
- 选择记忆阶段。这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入xt 进行选择记忆。哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的 [公式] 表示。而选择的门控信号则是由 zi（i代表information）来进行控制。
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 ct。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将会被当成当前状态的输出。主要是通过 zo 来进行控制的。并且还对上一阶段得到的 ct 进行了放缩（通过一个tanh激活函数进行变化）。
与普通RNN类似，输出 yt 往往最终也是通过ht 变化得到。
