目录
一、前言
二、为什么传统神经网络无法处理序列数据
三、什么是 RNN
四、RNN 的展开结构
五、RNN 的数学原理
六、RNN 的工作流程
七、RNN 的优势
八、RNN 的致命缺陷
九、什么是 LSTM
十、LSTM 模型结构
十一、遗忘门（Forget Gate）
十二、输入门（Input Gate）
十三、输出门（Output Gate）
十四、LSTM 工作流程
十五、RNN 与 LSTM 对比
十六、使用 PyTorch 实现 RNN
十七、使用 PyTorch 实现 LSTM
十八、LSTM 文本分类实战
十九、RNN/LSTM 在 NLP 中的应用
二十、为什么 Transformer 取代了 LSTM
二十一、面试高频问题
什么是RNN？
RNN为什么能够记忆历史信息？
RNN最大问题是什么？
LSTM如何解决长期依赖？
LSTM有几个门？
为什么Transformer取代LSTM？
二十二、总结
在前面的文章中，我们学习了：
感知器 多层神经网络 梯度下降 反向传播这些模型都有一个共同特点：
输入之间彼此独立例如：
图片分类 房价预测 用户画像样本之间通常没有时间顺序关系。
但现实世界中存在大量：
时序数据例如：
自然语言 股票价格 天气变化 语音信号这些数据都有一个特点：
当前数据 依赖历史数据例如一句话：
今天天气非常____看到这里：
大脑已经猜到 后面可能是 好 热 冷因为前面的内容提供了上下文信息。
传统神经网络无法处理这种依赖关系。
于是：
RNN 循环神经网络诞生了。
随后又发展出：
LSTM 长短期记忆网络成为 NLP 领域的重要基础模型。
本文将系统讲解：
什么是RNN RNN结构原理 RNN存在的问题 什么是LSTM LSTM门控机制 LSTM与RNN区别 Python实战二、为什么传统神经网络无法处理序列数据
假设：
输入： 我 爱 人 工 智 能传统神经网络处理方式：
我 爱 人 工 智 能彼此独立。
模型无法知道：
爱 是在 我 之后出现更无法知道：
人工智能 其实是一个整体词语因此：
传统神经网络 缺乏记忆能力三、什么是 RNN
RNN：
Recurrent Neural Network 循环神经网络核心思想：
当前输出 不仅依赖当前输入 还依赖历史状态结构如下：
可以理解为：
神经网络拥有了记忆四、RNN 的展开结构
RNN通常画成一个循环结构：
flowchart LR H --> H但真正计算时会展开。
例如一句话：
我 爱 深 度 学 习展开后：
可以看到：
历史信息 不断向后传递五、RNN 的数学原理
每个时间步：
输入： Xt上一时刻状态：
Ht-1计算当前状态：
Ht = tanh(WxXt + WhHt-1 + b)当前输出：
Yt = WyHt其中：
Wx 输入权重 Wh 历史状态权重 Wy 输出权重这也是 RNN 能够记忆历史信息的原因。
六、RNN 的工作流程
假设输入：
今天 天气 很好流程：
工作过程：
读取"今天" 保存状态 ↓ 读取"天气" 结合历史状态 ↓ 读取"很好" 得到最终语义七、RNN 的优势
相比传统神经网络：
RNN能够：
记忆历史信息 处理变长输入 理解上下文关系适用于：
机器翻译 文本生成 语音识别 时间序列预测例如：
输入： 今天天气很好 预测： 适合出去玩八、RNN 的致命缺陷
随着序列越来越长：
梯度越来越小称为：
梯度消失例如：
0.1 × 0.1 × 0.1 × 0.1 × 0.1结果：
0.00001导致：
前面信息无法传递到后面例如：
我出生在北京...... (中间100个词) ...... 我来自哪里？RNN可能已经忘记：
北京这个信息。
九、什么是 LSTM
为了解决长期依赖问题。
1997年：
Hochreiter Schmidhuber提出：
LSTM Long Short-Term Memory即：
长短期记忆网络核心思想：
增加记忆单元 控制信息保留与遗忘十、LSTM 模型结构
LSTM比RNN复杂得多。
结构如下：
其核心：
三个门 一个记忆单元十一、遗忘门（Forget Gate）
作用：
决定忘记哪些信息例如：
我昨天吃了苹果 今天下雨了预测天气时：
苹果信息 没有价值可以丢弃。
遗忘门：
输出0 表示忘记或者：
输出1 表示保留十二、输入门（Input Gate）
作用：
决定记录哪些新信息例如：
今天北京下雪模型认为：
下雪 非常重要则写入记忆单元。
十三、输出门（Output Gate）
作用：
决定哪些信息参与输出例如：
历史天气 当前天气 未来天气预测输出门负责：
选择有价值信息十四、LSTM 工作流程
完整过程：
本质上：
忘记旧信息 记录新信息 输出关键内容十五、RNN 与 LSTM 对比
| 对比项 | RNN | LSTM |
|---|---|---|
| 结构复杂度 | 简单 | 较复杂 |
| 参数量 | 少 | 多 |
| 训练速度 | 快 | 较慢 |
| 长期记忆 | 差 | 强 |
| 梯度消失 | 容易发生 | 大幅缓解 |
| NLP效果 | 一般 | 更好 |
总结：
RNN适合短序列 LSTM适合长序列十六、使用 PyTorch 实现 RNN
创建RNN层：
import torch import torch.nn as nn rnn = nn.RNN( input_size=10, hidden_size=20, num_layers=1 )输入数据：
x = torch.randn( 5, 3, 10 ) output, hidden = rnn(x) print(output.shape)输出：
(5,3,20)十七、使用 PyTorch 实现 LSTM
创建LSTM：
import torch import torch.nn as nn lstm = nn.LSTM( input_size=10, hidden_size=20, num_layers=2 )输入：
x = torch.randn( 5, 3, 10 ) output,(hn,cn)=lstm(x) print(output.shape)输出：
(5,3,20)其中：
hn 隐藏状态 cn 记忆状态十八、LSTM 文本分类实战
构建情感分类模型：
class SentimentModel(nn.Module): def __init__(self): super().__init__() self.lstm = nn.LSTM( input_size=100, hidden_size=128, batch_first=True ) self.fc = nn.Linear( 128, 2 ) def forward(self,x): out,(h,c)=self.lstm(x) out=self.fc(h[-1]) return out用途：
正面评论 负面评论 情感分析十九、RNN/LSTM 在 NLP 中的应用
经典应用：
机器翻译 聊天机器人 文本生成 语音识别 命名实体识别例如：
Google Translate 早期Siri 早期聊天机器人都大量使用LSTM。
二十、为什么 Transformer 取代了 LSTM
虽然LSTM很强。
但仍然存在：
无法并行计算 训练速度慢 长文本效果有限因此2017年：
Attention Is All You Need提出：
Transformer逐渐取代：
RNN LSTM如今：
GPT BERT Claude DeepSeek全部基于Transformer。
但：
理解Transformer 必须先理解RNN和LSTM因为它们代表了：
神经网络处理序列数据的演进过程二十一、面试高频问题
什么是RNN？
能够处理序列数据 具有记忆能力的神经网络RNN为什么能够记忆历史信息？
隐藏状态不断向后传递RNN最大问题是什么？
梯度消失 长期依赖问题LSTM如何解决长期依赖？
增加门控机制 控制信息流动LSTM有几个门？
遗忘门 输入门 输出门为什么Transformer取代LSTM？
支持并行计算 训练速度更快 长距离依赖能力更强二十二、总结
RNN第一次让神经网络拥有了：
记忆能力而LSTM进一步解决了：
长期依赖 梯度消失问题。
整个技术演进路线：
前馈神经网络 ↓ RNN ↓ LSTM ↓ GRU ↓ Transformer ↓ GPT可以说：
RNN开启了序列建模时代，LSTM让神经网络真正具备长期记忆能力，而Transformer则站在它们的肩膀上，推动了大语言模型时代的到来。掌握RNN与LSTM，是深入理解现代AI架构演进的重要一步。
