机器学习|NLP的深度学习：ANN，RNN和LSTM详解！（附资源）( 三 ) 作者：JaimeZornoza

与普通的递归神经网络相比，它们具有更为复杂的记忆单元结构，从而使得它们能够更好地调节如何从不同的输入源学习或遗忘。
文章插图
LSTM记忆单元示例。注意蓝色圆圈和方框，可以看出它的结构比普通的RNN单元更复杂，我们将不在本文中介绍它
LSTM神经元通过三个不同的门的状态组合来实现这一点：输入门，遗忘门和输出门。在每个时间步长中，记忆单元可以决定如何处理状态向量：从中读取，写入或删除它，这要归功于明确的选通机制。利用输入门，记忆单元可以决定是否更新单元状态；利用遗忘门，记忆单元可以删除其记忆；通过输出门，单元细胞可以决定输出信息是否可用。
LSTM还可以减轻梯度消失的问题，但这不在此做详细介绍。
就是这样！现在我们对这些不同种类的神经网络已经有了一个初浅的认识，下面可以开始用它来构建第一个深度学习项目！
结论
神经网络会非常神奇。在下一篇文章中，我们将看到，即便是一个非常简单的结构，只有几个层便可以创建一个非常强大的聊天机器人。哦，顺便问一下，记得这张照片吗？
文章插图
由神经网络创建的带有简短文本描述的两幅不同图像
为了证明深度神经网络是多么酷，不得不承认，我对如何产生这些图像的描述撒了谎。
记得在本文的开头，曾说明这些描述是人工注释的，然而实际上，每幅图像上所的简短文本实际上都是人工神经网络生成的。
太狂啦？
如果想要学习如何使用深度学习来创建一个神奇的聊天机器人，请在媒体上追随我，并继续关注我的下一篇文章！然后，尽情享受人工智能！
其它资源
本帖中描述的概念解释非常初浅，如果想深入学习，请参考以下附加的资源。

神经网络如何端到端地工作
YouTube视频系列，讲解如何训练神经网络的主要概念
深度学习和人工神经网络

好啦，希望你喜欢这个帖子。可以在LinkedIn上与我联系，或在@jaimezorno的Twitter上跟我联系。此外，还可以在此处查看我的关于数据科学和机器学习的其它帖子。学习快乐！
作者简介：
Jaime Zornoza是一名工业工程师，拥有电子专业的学士学位和计算机科学的硕士学位。原创。经许可转载。
原文标题：
Deep Learning for NLP: ANNs, RNNs and LSTMs explained!
原文链接：
编辑：黄继彦
校对：林亦霖
译者简介

文章插图
陈之炎，北京交通大学通信与控制工程专业毕业，获得工学硕士学位，历任长城计算机软件与系统公司工程师，大唐微电子公司工程师，现任北京吾译超群科技有限公司技术支持。目前从事智能化翻译教学系统的运营和维护，在人工智能深度学习和自然语言处理（NLP）方面积累有一定的经验。业余时间喜爱翻译创作，翻译作品主要有：IEC-ISO 7816、伊拉克石油工程项目、新财税主义宣言等等，其中中译英作品“新财税主义宣言”在GLOBAL TIMES正式发表。能够利用业余时间加入到THU 数据派平台的翻译志愿者小组，希望能和大家一起交流分享，共同进步。
— 完 —
关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。