长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R2 NN1),被广泛用于语言模型、机器翻译、语音识别等领域。[1]本文具体就LSTM的具体实现做出推导。

详细的LSTM代码， 附带数据。 RNN全称循环神经网络（Recurrent Neural Networks），是用来处理序列数据的。在传统的神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多关于时间序列的问题却无能无力。

字符张量流 使用Tensorflow在Python中使用字符级语言模型的多层递归神经网络（LSTM，RNN）。 灵感来自安德烈·卡帕蒂（Andrej Karpathy）的。 要求 基本用法 要在tinyshakespeare语料库上使用默认参数进行训练，请运行python train.py 。 要访问所有参数，请使用python train.py --help 。 要从检查点模型中采样python sample.py 。 在学习仍在进行时进行采样（以检查最后一个检查点）仅在CPU或其他GPU中有效。 要强制CPU模式，请使用export CUDA_VISIBLE_DEVICES=""并随后unset CUDA_VISIBLE_DEVICES （在Windows上分别set CUDA_VISIBLE_DEVICES=""并set CUDA_VISIBLE_DEVICES= ）。 要在

本程序利用TensorFlow构建一个简易LSTM模型，内含对多个常见激活函数的性能的比较过程，以及本程序的运行环境。

《NLP汉语自然语言处理原理与实现》第九章LSTM的python的代码实现，使用python3实现。可运行。

详细的LSTM代码， 附带数据。 RNN全称循环神经网络（Recurrent Neural Networks），是用来处理序列数据的。在传统的神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多关于时间序列的问题却无能无力。

长短时记忆网络(Long Short Term Memory Network, LSTM)，它有效地解决了原始循环神经网络(RNN)的缺陷，在语音识别、图片描述、自然语言处理等许多领域中成功应用。本文讲解由三个Gate（input、forget、output）和一个cell 单元组成的基础LSTM 网络。

该资源是由七月算法寒老师在机器学习课程中讲述的内容，主要内容为循环神经网络课程的课件内容丰富。

深度神经网络LSTM处理序列分类问题的应用，LSTM——Long Short Term Memory Networks 长短期记忆神经网络。