前言
在学习循环神经网络时，很多人会直接使用 Python、TensorFlow 或 PyTorch 来搭建模型。这样虽然效率较高，但也容易出现一个问题：知道怎么调用模型，却不清楚模型内部到底是如何一步一步计算的。
为了更直观地理解长短期记忆网络（LSTM）的运行机制，我这次使用Excel手动搭建了一个简化的 LSTM 计算模型，并将其计算过程完整展示出来，包括：
- 遗忘门计算
- 输入门计算
- 候选状态计算
- 细胞状态更新
- 输出门计算
- 隐藏状态输出
- 最终输出与损失计算
通过这种方式，可以清楚看到每一个参数、每一步计算以及状态是如何随着时间步不断传递和更新的。
一、什么是 LSTM
LSTM，全称Long Short-Term Memory，中文叫长短期记忆网络，是一种特殊的循环神经网络（RNN）。
LSTM 之所以被广泛使用，是因为它能够在处理序列数据时更好地保留长期信息，缓解普通 RNN 中常见的梯度消失问题。
一个典型的 LSTM 单元通常包括以下几个核心部分：
- 遗忘门（Forget Gate）
- 输入门（Input Gate）
- 候选状态（Candidate State）
- 细胞状态（Cell State）
- 输出门（Output Gate）
- 隐藏状态（Hidden State）
LSTM 的核心思想是：
通过门控机制，有选择地遗忘旧信息、写入新信息，并输出当前时刻的重要信息，从而实现对时序数据的有效建模。
二、实验目标
本次实验的目标是：
使用 Excel 展示一个简化 LSTM 的完整计算过程。
主要包括以下几个部分：
- 输入数据与初始状态设置
- 门控参数设置
- 遗忘门、输入门、候选状态计算
- 细胞状态更新
- 输出门与隐藏状态计算
- 最终输出值与损失函数计算
这样做的目的不是追求大规模训练效果，而是为了更直观地理解 LSTM 的内部计算机制。
三、LSTM 的网络结构说明
在本次 Excel 示例中，我们采用的是一个简化版的 LSTM 单元，并展示两个时间步的计算过程。
每一个时间步中，LSTM 的输入包括：
- 当前输入：
x_t - 上一时刻隐藏状态：
h_(t-1) - 上一时刻细胞状态：
C_(t-1)
每一时刻经过门控计算后，得到：
- 当前细胞状态：
C_t - 当前隐藏状态：
h_t
如果再接一个输出层，还可以进一步得到预测值：
- 当前输出：
y_hat_t
四、LSTM 的核心计算公式
LSTM 的计算过程主要由 5 个关键步骤构成。
1. 遗忘门
遗忘门用于决定上一时刻的细胞状态保留多少信息：
f_t = sigmoid(W_f * [h_(t-1), x_t] + b_f)
其中：
f_t表示遗忘门输出W_f表示遗忘门权重b_f表示遗忘门偏置
遗忘门的输出范围在 0 到 1 之间，数值越接近 1，说明旧信息保留越多；越接近 0，说明旧信息被遗忘得越多。
2. 输入门
输入门用于控制当前时刻有多少新信息被写入细胞状态：
i_t = sigmoid(W_i * [h_(t-1), x_t] + b_i)
其中：
i_t表示输入门输出W_i表示输入门权重b_i表示输入门偏置
3. 候选状态
候选状态表示当前时刻新生成的候选信息：
g_t = tanh(W_g * [h_(t-1), x_t] + b_g)
其中：
g_t表示候选状态W_g表示候选状态权重b_g表示候选状态偏置
4. 细胞状态更新
新的细胞状态由“保留的旧状态”和“写入的新状态”共同组成：
C_t = f_t * C_(t-1) + i_t * g_t
其中：
C_t表示当前时刻细胞状态C_(t-1)表示上一时刻细胞状态
这一步是 LSTM 最核心的部分，它体现了模型对记忆的保留与更新能力。
5. 输出门与隐藏状态
输出门用于控制细胞状态中有多少信息被输出为当前隐藏状态：
o_t = sigmoid(W_o * [h_(t-1), x_t] + b_o)
h_t = o_t * tanh(C_t)
其中：
o_t表示输出门输出h_t表示当前时刻隐藏状态
隐藏状态h_t一方面可以作为当前时间步的输出，另一方面也会传递到下一时间步参与计算。
五、前向计算过程说明
在 Excel 中，每一个时间步都可以按照下面的顺序进行计算。
第一步：读取输入与上一时刻状态
已知：
x_t, h_(t-1), C_(t-1)
其中：
x_t是当前输入h_(t-1)是上一时刻隐藏状态C_(t-1)是上一时刻细胞状态
第二步：计算遗忘门
f_t = sigmoid(W_f * [h_(t-1), x_t] + b_f)
这一部分决定旧状态应该保留多少。
第三步：计算输入门与候选状态
i_t = sigmoid(W_i * [h_(t-1), x_t] + b_i)
g_t = tanh(W_g * [h_(t-1), x_t] + b_g)
输入门负责控制写入比例，候选状态负责生成待写入的新信息。
第四步：更新细胞状态
C_t = f_t * C_(t-1) + i_t * g_t
这一步表示：
一部分旧记忆被保留，一部分新记忆被写入，二者共同构成新的细胞状态。
第五步：计算输出门与隐藏状态
o_t = sigmoid(W_o * [h_(t-1), x_t] + b_o)
h_t = o_t * tanh(C_t)
最终得到当前时刻对外输出的隐藏状态。
六、输出层与损失函数计算
为了让 Excel 文件展示更加完整，本实验还在 LSTM 隐藏状态之后增加了一个简单输出层。
设输出层权重为W_y，偏置为b_y，则预测值可表示为：
y_hat_t = W_y * h_t + b_y
若采用平方误差损失函数，则：
E_t = 1/2 * (y_t - y_hat_t)^2
其中：
y_t表示真实值y_hat_t表示预测值E_t表示当前时间步损失
如果展示多个时间步，则总损失可以写为：
E = E_1 + E_2 + ... + E_t
七、Excel 中的实现思路
为了让计算过程更加清晰，我在 Excel 中将整个 LSTM 的运算过程划分为多个区域。
1. 参数设置区
用于设置：
- 遗忘门权重
W_f、偏置b_f - 输入门权重
W_i、偏置b_i - 候选状态权重
W_g、偏置b_g - 输出门权重
W_o、偏置b_o - 输出层权重
W_y、偏置b_y
2. 输入与初始状态区
用于填写：
- 当前输入
x_t - 上一时刻隐藏状态
h_(t-1) - 上一时刻细胞状态
C_(t-1)
在第一个时间步中，一般会将：
h_0 = 0C_0 = 0
作为初始状态。
3. 门控计算区
这一部分依次计算：
- 遗忘门
f_t - 输入门
i_t - 候选状态
g_t - 输出门
o_t
4. 状态更新区
这一部分负责计算：
- 细胞状态
C_t - 隐藏状态
h_t
5. 输出与损失区
这一部分负责计算：
- 预测值
y_hat_t - 真实值
y_t - 损失值
E_t
通过这种方式，可以在 Excel 中逐格观察 LSTM 在每个时间步内的完整运算过程。
八、实验结果分析
通过这次 Excel 手动实现 LSTM，可以得到以下几点认识。
1. LSTM 的核心在于门控机制
与普通神经网络不同，LSTM 并不是简单的线性变换加激活函数，而是通过多个门来控制信息的流动。
其中：
- 遗忘门控制旧信息保留程度
- 输入门控制新信息写入程度
- 输出门控制当前输出程度
正是这种结构，使 LSTM 具备较强的时序记忆能力。
2. 细胞状态是 LSTM 的关键
LSTM 中最重要的状态变量是细胞状态C_t。
它类似于一条“长期记忆通道”，可以把重要信息沿时间方向持续传递下去。
这也是 LSTM 能有效处理长序列问题的重要原因。
九、实验心得体会
在实际学习中，我们经常会直接调用深度学习框架中的 LSTM 层，但这些框架通常已经把底层计算全部封装好了。虽然这样使用起来很方便，但也会让人忽略模型内部真正的运算逻辑。
这次通过 Excel 手动实现 LSTM 后，我对以下几个方面有了更清晰的认识：
- 当前输入和历史状态是如何共同参与计算的
- 遗忘门、输入门和输出门分别承担什么功能
- 细胞状态为什么能够保存长期信息
- 隐藏状态是如何从细胞状态中生成的
- LSTM 为什么比普通 RNN 更适合处理长序列问题
通过逐步展开 LSTM 的计算过程，我不仅加深了对其数学原理的理解，也提升了自己对序列模型结构的整体认识。
十、总结
本文使用 Excel 对一个简化的 LSTM 模型进行了可视化实现，完整展示了以下过程：
- 遗忘门计算
- 输入门计算
- 候选状态计算
- 细胞状态更新
- 输出门计算
- 隐藏状态输出
- 最终输出与损失计算
通过这种方式，我们可以把原本较为抽象的 LSTM 内部运算过程拆解成一个个可以观察、可以验证的步骤。对于理解 LSTM 的基本原理，这是一种非常直观且有效的方法。
十一、Excel截图展示
结语
以上就是我使用 Excel 展示 LSTM 计算过程的完整实验内容。通过这次实践，我对 LSTM 的门控机制、状态更新以及时序信息传递方式有了更加深入的理解。
