LSTM结构中的C（cell），和GRU结构中的H（隐藏单元），有什么联系和区别？
LSTM中的C和GRU中的H都是经过了遗忘和输入门（GRU中的更新们也是由遗忘和输入门组成的），也都是未经过输出门而直接往后传递的。他们有什么区别呢？
我自己的猜想：GRU的重置门就相当于LSTM中的更新门。
LSTM中的C经过输出门之后形成了H，因为有输出门所以H更关注当前状态的信息，而C携带者之前的所有状态的信息。GRU中的H就相当于LSTM中的C同样也携带者之前状态的信息，GRU中的重置门就相当于LSTM中的输出门，重置之后的H就相当于LSTM中更关注当前状态的H。
如图所示，左边为第一种形式也是网上常见的GRU画法。但是为了方便和LSTM对比，我画成了右边的形式，请先行对比。
然后我们再来将LSTM与上面右边的GRU结构放到一起进行对比。
- 先对比两者的输出：
在LSTM中，单元状态 C t C_t Ct经非线性变换 t a n h tanh tanh作用后，再经过输出门作用后得到整个单元的输出 h t h_t ht；而在GRU中，融入新信息后的单元状态就直接作为了 整个单元的输出 H t H_t Ht。因此在LSTM中，单元输出 h t h_t ht可以看成是对单元状态 C t C_t Ct的再次筛选，而在GRU中去掉了这一步。 - 再对比两者的遗忘门与输入门：
在LSTM中，遗忘门是通过单元输出 h t h_t ht与新输入 x t x_t xt训练得到的；而在GRU中，遗忘门也是通过单元输出 H t H_t Ht与新输入 x t x_t xt训练得到的。不同点在于，LSTM通过 h t h_t ht和 x t x_t xt分别训练了一个遗忘门和输入门；而在GRU中这两者是互补的，也就是遗忘门和输入门在对信息进行筛选时有一种互补的效果。脑子想象出一个位置矩阵，在GRU中如果历史信息中某些位置的信息应该被减弱，那么在历史信息结合新输入的信息时，这些位置的信息就应该得到加强（并且从动机上来说也很有道理，同时还简化了模型）。 - 最后对比两者对新输入的处理：
在LSTM中，新的输入由当前时刻的输入 x t x_t xt和历史单元输出 h t h_t ht组成；而在GRU中，新的输入由当前时刻的输入 x t x_t xt和经筛选后的历史单元输出 H t H_t Ht组成。在GRU中， H t H_t Ht经过再次筛选后才同 x t x_t xt结合，而在LSTM中没有（但可以看成是LSTM在输出的时候就已经进行筛选了，即LSTM中的输出门可以等价的看成是GRU中的重置门）。两者在这方面差别不算太大。
总结就是，LSTM中的 C t C_t Ct和GRU中的 H t H_t Ht在整体形式上没有区别，都是先对历史信息就行筛选，然后再融入新的信息。但是，在细节上GRU通过同一个共用的门，以互补的形式来减弱和加强信息，这应该算得上是GRU中最核心的部分。至于最后在对新输入的处理，基本没有太大的差别。青山不改，绿水长流，月来客栈见！
