那么LSTM有什么收获呢？

我正在扩展我对Keras软件包的了解，并且一直在使用一些可用的模型作为工具。我有一个NLP二进制分类问题，我正在尝试解决，并且一直在应用不同的模型。

在获得了一些结果并越来越多地了解LSTM之后，看来这种方法远远优于我尝试过的任何方法（跨多个数据集）。我一直在想自己，“为什么/何时不使用LSTM？”。在某些模型的梯度逐渐消失之后，使用LSTM固有的附加门对我来说非常有意义。

那么LSTM有什么收获呢？他们在哪里做得不好？我知道没有“一刀切”的算法，因此LSTM必须有一个缺点。

没错，LSTM在某些问题上可以很好地工作，但是其中的一些缺点是：

• LSTM需要更长的培训时间
• LSTM需要更多的内存来训练
• LSTM很容易过拟合
• 在LSTM中很难实现辍学
• LSTM对不同的随机权重初始化敏感

例如，这些与一维转换网络等较简单的模型相比。

前三项是因为LSTM具有更多参数。