转自知乎作者：沉默中的思索
原文链接：https://www.zhihu.com/people/chen-mo-zhong-de-si-suo/activities
先上一张LSTM的经典图：
至于这张图的详细介绍请参考：Understanding LSTM Networks
下面假设你已经阅读过Understanding LSTM Networks这篇文章了，并且了解了LSTM的组成结构。
RNN梯度消失和爆炸的原因这篇文章中提到的RNN结构可以抽象成下面这幅图：
而LSTM可以抽象成这样：
三个×分别代表的就是forget gate，input gate，output gate，而我认为LSTM最关键的就是forget gate这个部件。这三个gate是如何控制流入流出的呢，其实就是通过下面 三个函数来控制，因为
（代表sigmoid函数） 的值是介于0到1之间的，刚好用趋近于0时表示流入不能通过gate，趋近于1时表示流入可以通过gate。
当前的状态 类似与传统RNN
。将LSTM的状态表达式展开后得：
如果加上**函数，
RNN梯度消失和爆炸的原因这篇文章中传统RNN求偏导的过程包含
对于LSTM同样也包含这样的一项，但是在LSTM中
假设 ，则
的函数图像如下图所示：
可以看到该函数值基本上不是0就是1。
再看看RNN梯度消失和爆炸的原因这篇文章中传统RNN的求偏导过程：
如果在LSTM中上式可能就会变成：
因为 ，这样就解决了传统RNN中梯度消失的问题。