长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。
lstm模型优缺点
LSTM（Long Short-Term Memory）也称长短时记忆结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象。其主要特点是在于通过门结构控制，包括遗忘门、输入门、细胞状态、输出门，其作用相当于加入了一个判断信息有用与否的“处理器”，LSTM能更好地处理时间序列的任务；同时解决了RNN的长期依赖问题，并且缓解了RNN在训练时反向传播带来的“梯度消失”问题。其优缺点如下：
LSTM优点：
1.改善了RNN中存在的长期依赖问题；LSTM的表现通常比时间递归神经网络及隐马尔科夫模型（HMM）更好；作为非线性模型，LSTM可作为复杂的非线性单元用于构造更大型深度神经网络。
2、LSTM通过各种门函数来将重要特征保留下来，能够有效减缓长序列问题中可能出现的梯度消失或爆炸, 虽然并不能杜绝这种现象, 但在更长的序列问题上表现优于传统RNN。
LSTM缺点：
1、并行处理上存在劣势,只能从前到后,与一些最新的网络相对效果一般；
2、RNN的梯度问题在LSTM及其变种里面得到了一定程度的解决，但还是不够。它可以处理100个量级的序列，而对于1000个量级，或者更长的序列则依然会显得很棘手；
3、计算费时。由于内部结构相对较复杂, 因此训练效率在同等算力下较传统RNN低很多,每一个LSTM的cell里面都意味着有4个全连接层(MLP),如果LSTM的时间跨度很大，并且网络又很深，这个计算量会很大，很耗时。
总结：
LSTM本身的模型结构就相对复杂，训练比起CNN来说更加耗时；此外，RNN网络的特性决定了它们不能很好的并行化处理数据；再者，LSTM虽然一定程度上缓解了RNN的长期依赖问题，但对于更长的序列数据，需要引入更多变体解决依赖问题。