LSTM（长短期记忆网络）

LSTM（Long Short-Term Memory，长短期记忆网络）是一种专为处理时序数据和自然语言等具有顺序性的信息而设计的循环神经网络（RNN）变体。 1997年由 Sepp Hochreiter 和 Jürgen Schmidhuber 提出，作为解决传统RNN“难以学习长期依赖关系”这一问题的突破性模型而被广泛采用。 LSTM最大的特点是拥有称为“记忆单元（Cell）”的结构，内置了长期保存和遗忘信息的机制。 这种记忆管理由三个门控结构来控制： 1. 输入门（Input Gate）：决定保留多少新信息 2. 遗忘门（Forget Gate）：决定遗忘多少历史信息 3. 输出门（Output Gate）：控制输出哪些信息 借助这一机制，LSTM在捕捉长期上下文和模式方面表现出色，能够处理普通RNN难以应对的长期依赖关系。 主要应用场景： - 机器翻译、文本生成等自然语言处理任务 - 股价、需求等时序预测 - 语音识别与音乐生成 - 基于传感器数据的异常检测 - 动作与行为识别等视频分析 尽管LSTM后来在主流地位上被基于 Transformer 的模型（如BERT、GPT）所取代，但作为轻量且稳健的架构，它仍在资源受限的环境或结构简单的任务中持续发挥作用。