1.结构

2.计算

例1：
假设$x_1$x1​，$x_2$x2​，$x_3$x3​均为输入，当$x_2=1$x2​=1的时候将$x_1$x1​加入记忆单元，当$x_2=-1$x2​=−1时将将记忆单元清空，当$x_3=1$x3​=1的时候输出记忆单元里面的数值。根据规则，最开始记忆单元里面存储的是0，当输入$x_1=1$x1​=1时因为$x_2=0$x2​=0，$x_3=0$x3​=0所以记忆单元和输出都不工作，到了第二列，因为$x_1=3$x1​=3，$x_2=1$x2​=1，$x_3=0$x3​=0，所以将$x_1=3$x1​=3加入记忆单元，输出依旧为0，第三列，$x_1=2$x1​=2，$x_2=0$x2​=0，$x_3=0$x3​=0，所以$x_1=2$x1​=2不会被加入到记忆单元，输出依旧为0，第四列$x_1=4$x1​=4，$x_2=1$x2​=1，$x_3=0$x3​=0，所以$x_1=4$x1​=4会被加入到记忆单元此时记忆单元变为7，输出依然为零，直到出现$x_3=1$x3​=1，记忆单元的数才会被输出。

例2：

还是假设最开始记忆单元里面储存的是0，经过函数$g(x)$g(x)可以得到3，经过Input Gate的sigmoid函数可以求出1，经过Output Gate的sigmoid函数计算出0，经过Forget Gate的sigmoid函数计算出1，然后根据上面的公式就可以算出最终的输出。

3.LSTM与传统神经网络的联系

我们只要把LSTM看作是传统神经网络的一个神经元(neuron)即可
另外，LSTM需要四个输入

4.LSTM的最终形态

LSTM的四个输入都是从最初始的x乘以不同的权重得来的，然后还要考虑上一个时间点的$c^t$ct和$h^t$ht。