（1）简单介绍一下LSTM
因为循环神经网络（Recurrent Neural Networks，RNN），本质是一个全连接网络，在处理长期依赖的问题上会出现梯度消失和梯度爆炸。长短时记忆模块（Long Short Term Memory，LSTM），是对RNN存在的梯度消失、梯度爆炸问题的一种优化模型。通过增加输入门限，遗忘门限和输出门限，使得自循环的权重是变化的，这样一来在模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了梯度消失或者梯度膨胀的问题。
LSTM的三个门的作用：输入门决定何时让输入进入细胞单元；遗忘门决定何时应该记住前一时刻的信息；输出门决定何时让记忆流入下一时刻。
LSTM包含了两种激活函数，sigmoid 用在了各种门限上，产生0~1之间的值。tanh 用在了状态和输出上，是对数据的处理，这个用其他激活函数或许也可以。
（2）LSTM是怎么解决梯度消失的问题的？
传统的神经网络层数一多，就会有梯度消逝和爆炸的现象，因为导数的链式法则导致了连乘的形式。造成梯度指数级的消失，lstm使用CEC(constant error carousel)机制，使得远处的梯度传到近处没有改变、但这样又会造成输入输出权重矛盾，所以又使用了门限单元来解决。
（3）还有哪些其它的解决梯度消失或梯度爆炸的方法？
- 梯度裁剪gradient clipping，当BP时的梯度小于某个阈值或大于某个阈值时 ，直接裁剪，防止太小的梯度累乘带来的梯度消失或太大的梯度累乘带来的梯度爆炸。
- 改变激活函数，例如减少使用sigmoid、tanh这类激活函数，改成使用Relu、LeakRelu等。
- 残差结构，类似于CEC的模块，跨层的连接结构能让梯度无损的进行后向传播。
- Batch Normalization，相当于对每一层的输入做了一个规范化，强行把这个输入拉回标准正态分布*N~(0,1)。*这样使得激活输入值落在非线性函数对输入比较敏感的区域，这样输入的小变化就会导致损失函数的大变化，进而梯度变大，避免产生梯度消失问题。而且梯度变化大意味着学习收敛速度快，加快模型的训练速度。
