长短期记忆网络(LSTM)是一种递归神经网络(RNN)，可以学习和记忆长期依赖关系，会随着时间的推移保留信息。因此，LSTM可以解决短期记忆的问题。
LSTM算法流程与RNN类似，它们都是在前向传播过程中处理传递信息的数据，区别在于LSTM单元的结构和运算有所变化。
这里就不得不提到LSTM的核心概念：单元状态和门结构。
单元状态：相当于能传输相关信息的通路，让信息在序列链中传递下去，这部分可看作是网络的“记忆”。
输入门：用来更新单元状态。
遗忘门：决定应丢弃或保留哪些信息。
输出门：输出门能决定下个隐藏状态的值，隐藏状态中包含了先前输入的相关信息。
而在这个过程中，LSTM是通过Sigmoid函数来判断哪些数据需要遗忘，哪些数据需要保留。Sigmoid函数输出是(0,1)，当为0时，任何数字乘以0都为0，这部分信息会被遗忘。相应的，当为1时，任何数字乘以1都为相同值，这部分信息会完全保留。
这时就能看出LSTM算法工作原理了。
LSTM算法工作原理
把先前的单元状态和Sigmoid函数相乘，如果它乘积接近0，则意味在新的单元状态中可能要丢弃这些值，反之，乘积接近原值，则保留。然后把它和输入门的输出值逐点相加，把神经网络发现的新信息更新到单元状态中，这样就得到了新的单元状态。
LSTM算法用例
LSTM可以用于语音识别、语音合成和文本生成等领域，还可用来为视频生成字幕。
