目录
1 前言
本文对RNN、LSTM、BiLSTM的内部结构和输入输出做了透彻的剖析，目标是能够解答LSTM和BiLSTM的任何疑问。
- RNN：循环神经网络
- LSTM：长短期记忆网络
- BiLSTM：双向长短期记忆网络
重要的先验知识：
- 本质上单个RNN cell是在多个时间步上展开的形式，也可以理解为RNN是神经网络在时序上的权重共享（CNN相当于空间上的权重共享），LSTM也都是一样。
1.1 RNN回忆与概览
RNN的不足：它的记忆是短期的。
- 原因：在反向传播过程中，RNN中存在梯度消失问题。梯度是用于更新神经网络权重的值，梯度消失问题是指随着时间推移，梯度在传播时会下降，如果梯度值变得非常小，则不会继续学习。因此，在RNN中，梯度小幅更新的网络层会停止学习，这些通常是较早的层。由于这些层不学习，RNN无法记住它在较长序列中学习到的内容，因此它的记忆是短期的。
1.2 LSTM回忆与概览
LSTM内部结构相对RNN做了改进，BiLSTM中Bi指的是Bi-directional（双向的）的缩写，是由前向LSTM与后向LSTM组合而成，LSTM和BiLSTM如下图所示：
LSTM优点：
- LSTM是克服短期记忆问题提出的解决方案，它引入称作“门”的内部机制，可以调节信息流。
- 这些门结构可以学习序列中哪些数据是要保留的重要信息，哪些是要删除的。通过这样做，它可以沿着长链序列传递相关信息来执行预测。
2 图解 LSTM 内部结构和数据流
2.1 简洁的结构图
2.2 LSTM的原理剖析图
3 图解BiLSTM及其应用
3.1 看2层的 LSTM 是如何运转的
3.2 看1层的 BiLSTM 是如何运转的
用一个文本情感分析的例子来说明：
- 如下图，单层的BiLSTM其实就是2个LSTM，一个正向去处理序列，一个反向去处理序列，处理完后，两个LSTM的输出会拼接起来。
- 特别注意：所有时间步计算完后，才算是LSTM的结果，如下图，正向LSTM经过6个时间步得到一个结果向量，反向LSTM同样经过6个时间步后，得到另一个结果，然后这两个结果向量拼接起来，作为BiLSTM的最终输出。
3.3 看2层的 BiLSTM 是如何运转的
用OCR识别算法CRNN来说明，以下是CRNN算法的数据处理流程图：
?
?更详细的说，在CRNN算法中，输入BiLSTM的特征序列，它的维度是(26, 512)，长下图这样：
?因为CRNN算法中，图像输入是固定为32（高） x 100（宽）的长条图，经过特征提取器后，高会下采样32倍，宽度方向下采样4倍（由于补边操作，导致w最终=(100/4+1)=26），所以，相当于32 x 100的图像信息，被裁剪成26份，每一份的信息用512个值表示，如下：
?重要解释归纳如下：
- 关于时间步：26个切片，也即26个序列，也就是26个时间步，即双层的BiLSTM（也就是4个LSTM，每层一个前向LSTM和一个反向LSTM）会自循环计算26次，从物理意义上说，相当于LSTM按顺序（从左往右同时从右往左）遍历计算了上图26个切片信息。
- 关于输入列向量Xt：每个序列由512个元素的向量组成，每个时间步，BiLSTM就是去取这512个元素的向量值丢到LSTM单元中去计算。形象的说，就是3.1节中，input_size也即Xt，变为512维向量。
- 关于全连接层：CRNN算法中，在上下两层BiLSTM中间，穿插了一个全连接层，来过度上下两层BiLSTM的输入输出关系。至于为什么要加全连接层，我目前也不是特别清楚，理论上，不加全连接层，两层BiLSTM也完全是可以轻松的衔接起来的。
CRNN算法中，双层BiLSTM代码实现如下：
