LSTM是对RNN的改进，主要改进RNN的梯度消失的问题即长依赖问题，那么具体如何解决的呢？
由上图可以发现增加了三个门，那么这三个门是如何解决长依赖问题的呢？LSTM最大的设计就是传输带C，就是通过传输带的设计避免梯度的消失，lstm存在很多门，可以让信息选择性通过
- 遗忘门
举个例子
得到遗忘门的输出f后，在和传输带的c向量相乘
那么遗忘门的功能主要体现在哪里呢？通过例子可以看出，遗忘门的输出f是0-1的概率值，乘上传输带c就可以控制传输带信息的流入量，该f值的获取荣光如下：
由此可以发现，遗忘门的输入是输入x_t和上一个状态的输出h_t-1的concat组成的向量，然后和矩阵W_f相乘，在通过sigmoid激活函数得到输出f_t，其中矩阵W是通过数据训练学习而来
- 输入门
计算i_t的方式和遗忘门输出的计算差不多，都是把上一状态的输出h_t-1和输入x_t做concat connection，然后和矩阵W_i相乘，在通过激活函数sigmoid激活函数获取到输出i_t，此时输出的范围为0-1的概率值
更新传输带的值C_t
除了需要计算输入的的输出，还要计算待更新的传输带的值C^_T,该值的计算和计算i_t的类似，只是不同是激活函数为tanh，最后待更新的传输带的值从C^_T的值的范围是-1到1，该值在和i_t相乘，在于遗忘门输出相加得到传输带的C_t值，如下：
- 输出门
输出门的计算方式和以上差不多，激活函数是sigmoid，计算过程和遗忘门、输入门类似
更新状态h_t的值。
- 总结
