长短期记忆网络（LSTM）相较于传统循环神经网络（RNN）的核心改进在于通过引入记忆单元（cell state）和门机制（gating mechanism）来有效缓解梯度消失与梯度爆炸问题，从而更好地捕捉长距离依赖关系 。在其网络结构中，信息通过输入门（input gate）、遗忘门（forget gate）和输出门（output gate）进行有选择的流入、保留与输出，同时记忆单元内部还包含输入调制门（input modulation gate）以丰富细粒度控制 。在前向计算过程中，LSTM 单元依次计算各门的激活（sigmoid）与候选状态（tanh），然后更新记忆单元并生成隐藏状态；这一流程可借助cuDNN、GPU 并行、张量核加速等底层库大幅提升吞吐 。反向传播时，LSTM 通过**反向传播穿越时间（BPTT）**针对每个门和状态计算梯度，有效地将误差信号传递到旧时刻，从而完成参数更新 。

模型篇

LSTM 相对 RNN 的主要改进

• 缓解梯度消失与爆炸：传统 RNN 在处理长序列时，梯度经多次连乘后会迅速衰减或增大，