长期短期记忆网络：它是什么以及它是如何工作的？

　　机器学习是一种强大的技术，它通过开发算法从其经验中学习和改进。算法是计算、访问和处理输入数据并预测结果的程序。机器学习模型旨在计算复杂的计算和学习模式，并在此基础上提供相关的输出。该模型适用于数字、二元、多变量、分类和相关数据集等普通数据集。

　　然而，截至今天，由于理解输入数据的上下文的局限性，大多数机器学习模型都面临着预测时间序列数据的挑战。这就是递归神经网络，其中长短期记忆网络（LSTM）——一种人工神经网络。LSTM 可以识别数据序列中的模式，例如来自传感器、文本、基因组、手写和口语的数字时间序列数据。

　　什么是 LSTM 网络？

　　LSTM – 长期短期记忆网络，是一种特殊类型的RNN（递归神经网络）。RNN是一个神经网络，它将前一个状态的输出作为下一阶段的输入，这样它就可以记住前一个状态的数据。它将借助先前的数据精确预测最终输出。

　　然而，RNN存在梯度消失问题，即信息在较长的序列中褪色，因此在较长时间内持久化数据时面临困难。此问题可以通过 LSTM 解决。LSTM已经表现出摆脱了长期依赖问题并消除了RNN的缺点。

　　LSTM的重要性

　　在这个现代时代，机器正在使用机器学习智能地执行任务。现在，每个行业都有大量的设备历史数据，这些数据必须以机器学习模型能够有效预测数据的方式使用。

　　作为人类，我们总是非常规地选择一些重要的关键字，而忽略其他有助于我们理解任何句子或段落上下文的单词。例如，在阅读电影评论时，大脑只试图记住或专注于一些关键词，如“动感十足”、“令人叹为观止”、“无聊”和“惊人”。每次我们不必思考，记住并重新开始。LSTM的行为也类似。此外，LSTM 专为传统神经网络失败的顺序数据集而设计。LSTM 允许数据持久化。

　　在每个行业中，当局都会根据过去的重要数据做出任何决定，这将提供更好的结果。与机器学习模型相同，与其他模型相比，LSTM 展示了准确的结果，因为它在整个模型学习过程中只记住相关数据。它可以轻松保留重要信息以进行预测。

　　LSTM 如何工作？

　　LSTM 使用一系列不同的逻辑门。借助这一点，它可以调节信息流并解决RNN中的消失梯度问题。梯度消失问题发生在训练机器学习模型的反向传播期间。梯度是可用于更新神经网络权重的值。在反向传播时，梯度将变得如此之小，以至于在更新权重方面可以忽略不计。

　　这最终将停止学习该层，以便这些层不会学习。因此，RNN 会在更长的时间内忘记数据，因为 RNN 只有短期记忆。

　　LSTM和RNN在控制流方面是相似的。两者都在传递和向前传播时处理信息。唯一的区别是每个单元格内的操作。LSTM的主要概念是在整个网络中传递相关信息。根据输入，它会将该数据添加到内存中，如果不需要数据，则忘记或删除数据，如果信息不相关，则忽略信息。这就是 LSTM 不仅将信息传递到下一个状态，而且还为以后的状态保留数据的方式。

　　LSTM的工作分为三个部分，每个部分执行以下单独的功能：

　　第一部分确定来自前一个时间戳的信息是相关的，然后记住它，如果它不相关，它可以被遗忘。这部分称为遗忘门。

　　在第二部分中，单元格尝试从单元格的当前输入中学习新数据，这称为输入门。

　　最后，在第三部分中，单元格将更新的信息从当前时间戳传递到下一个时间戳。这部分称为输出门。

　　这就是 LSTM 在训练过程中有选择地忘记和记住信息的方式。

　　LSTM的应用

　　工业物联网：每个行业的深刻本质是始终如一地提高产品质量。在制造单位中，有许多设备、传感器和机器，每个设备、传感器和机器都有大量的数据。这些受到的关注非常少，这可能导致该行业陷入磨损情况。

　　LSTM将在上述情况下发挥至关重要的作用。基于执行器、振动、温度、噪声、用电量等不同参数的历史数据，该模型可以提前预测机器的早期维护和异常检测。这将有助于制造单元进行及时维护。最终，它将提高效率并减少机器的停机时间。提高设备的利用率很有用。因此，生产产品的时间更少，数量更多。对于大型电力行业，它可以使用过去的电力供应数据预测特定州、城市或街道即将到来的电力需求。电力负荷预测将有助于减轻能源损失，并根据预测管理和传输电力。

　　家庭自动化：在家庭自动化中，有两个最重要的事情：

　　准确性

　　处理和执行操作的速度

　　在智能建筑中，HVAC供暖，通风和空调系统将有助于预测能源消耗以及室内空气温度，并根据外部天气进行控制。基于人类行为，设备应执行预定义的任务，其中可以通过逐个分析视频帧来识别人类活动。在这里，LSTM将根据早期行动精确预测下一步行动。

　　任何与音频分析相关的应用程序，例如预测用于窃贼检测的玻璃破碎、语音识别和预测语音命令。这些具有基于时间序列的数据，其中每个信息都带有其频率和时间。

　　在语音命令或语音识别中，了解 LSTM 的优势的实际上下文非常重要。

　　汽车：每个行业都有关于各自市场的大量数据，借助这些数据，LSTM将分析即将到来的市场趋势并预测即将到来的产品需求。

　　这将帮助汽车制造商根据需求预测管理其供应链和库存，并制定计划以加速需求并减少不必要的成本。它可以帮助组织根据市场需求发现新的机会。它还向零售客户推荐使用过去订单的相关产品，从而提供更好的用户体验并促进销售。LSTM 在预测时间序列数据方面令人满意。

　　医疗保健：在医疗保健行业中，心跳、神经模式、血压和氧气水平对于严重入院的患者至关重要。如果这些参数中的任何一个发生变化，那么患者可能会死亡。这些参数应在早期阶段准确预测，这有助于相应地治疗患者。

　　最重要的是，所有参数都具有LSTM优于其他模型的时间序列数据。它还可以使用健康报告提前诊断任何健康问题，例如检测癌症或任何重大疾病。在智能可穿戴设备的帮助下，它可以提前预测心脏病发作，并向相关人员发送其健康状况的信息。它会建议根据他们的健康状况咨询医生，并提醒他们定期检查。

　　审核编辑：郭婷