1. 定位导航第 44 篇我们看到 RNN 的根本困境：保留长期信息 vs 学习长期依赖是矛盾的。LSTM (1997, Hochreiter Schmidhuber)是这个问题的革命性答案——它统治了 NLP 从 1997 到 2017 年整整 20 年，直到 Transformer 出现。Goodfellow 评价：本文撰写之时（2016），实际应用中最有效的序列模型称为门控 RNN。包括基于长短期记忆（LSTM）和基于门控循环单元（GRU）的网络。本篇深入剖析 LSTM 的内部机制，以及 GRU 的简化设计。2. 核心洞察：从渗漏单元到门控2.1 渗漏单元的局限第 44 篇讲过渗漏单元：h(t)=(1−α)h(t−1)+α⋅f(h(t−1),x(t))\mathbf{h}^{(t)} = (1 - \alpha) \mathbf{h}^{(t-1)} + \alpha \cdot f(\mathbf{h}^{(t-1)}, \mathbf{x
