LSTM神经网络输入输出究竟是怎样的？

LSTM神经网络输入输出究竟是怎样的？

你说不理解LSTM输入输出问题，我感觉你其实应该是对Recurrent NNs的问题。

之前有发现身边小伙伴确实不太容易理解Recurrent NNs（这里不区分LSTM，GRU）的topology结构，especially the input、output。To this end, I'd like to bridge the gap.

Recurrent NNs，一般看的最多的图是这个：

但是这个图对初学者相当不太友好。个人认为，目前所有的关于描述RecurrentNNs的图都画得不好，不够明确，里面的细节丢失了。（事实上里面一个"A"仅仅表示了一层的变换。）

非常清楚，这是很多初学者不能理解RecurrentNNs的根本原因，即在于Recurrent NNs是在time_step上的拓展的这一特性。MLP好理解，CNN也好理解，但Recurrent NNs，就是无法搞清楚里面的拓扑结构，跟MLP联系不上。

先看看，MLP，很好理解，就是一张网络清楚地显示了张量流向。general MLP是这样的拓扑：

然后CNN也好理解，跟MLP无差若干，只是权重运算由 变为 。CNN是这样的拓扑：

但RecurrentNNs的拓扑发生了一个很大的改动，即一个MLP会在time_step这个维度上进行延伸，每个时序都会有input。

所以RecurrentNNs的结构图我认为应该这样画，在理解上才会更清晰些，对比MLP，也一目了然。(自己画的为了简约，只画了4个time-steps ）……

看图。每个时序 的输入 我是一次time_step一张input tensor，隐状态 也就代表了一张MLP的hidden layer的一个cell。输出 理解无异。注意，红色的箭头指向indicates the tensor's flow at time-sequential order。

再结合一个操作实例说明。如果我有一条长文本，我给句子事先分割好句子，并且进行tokenize, dictionarize,接着再由look up table 查找到embedding，将token由embedding表示，再对应到上图的输入。流程如下：

这是基础款RNN的流程。仅仅是基础款哦，高阶的有各种创新，此处不宜展开。

另外，也可查看TensorFlow的RNN的源码可获得identification，即RNN的一次dynamic_run即是，将每个MLP的hidden cell的_call()函数在整个time_step上连续地调用一次，已达到时序传递计算的目的。

至于LSTM、RGU，那就是在MLP的每个hidden cell（一个黄色circle）与下一个time_step 的hidden cell的传值机制的more sophisticated tactics，based on this text 现在应该好理解了。

Willing to be a better bridge.

Hope this help.