双向长短期记忆（BiLSTM 或 BLSTM）是一种用于序列到序列任务的深度学习架构，提供了处理数据序列的有效方法。为了在监督学习环境中处理可变长度的输入和输出序列，BiLSTM 架构以双向方式将前视循环神经网络 (RNN) 架构与后视 RNN 架构相结合。这一功能使 BiLSTM 能够比传统的循环神经网络更准确、更有效地捕获时间信息，从而提高语音识别、自然语言处理 (NLP)、时间序列预测等许多任务的性能。
BiLSTM 的核心由两个独立的 RNN 组成：一个前向 RNN 和一个后向 RNN。前视 RNN 从左到右处理输入，而后视 RNN 从右到左处理输入。然后，每个网络的输出被组合成单个表示，然后可以将其用作全连接或密集输出层的输入。
将两个 RNN 组合到单个架构中的优点在于它能够捕获长期时间动态。通过在两个方向（从左到右和从右到左）上循环长数据序列的信息，BiLSTM 架构不仅能够捕获元素之间的直接交互，还能够捕获元素在较长时间内如何相互交互。与其他基于序列的架构相比，这可能使 BiLSTM 具有优势，因为其他基于序列的架构可能仅限于捕获即时或短期时间效应。
BiLSTM 已被证明在许多任务中都有效，包括字符级语言建模、手写识别和情感分析。近年来，由于其灵活性和捕获数据时间模式的能力，它们变得越来越受欢迎。因此，它们已成为许多与序列到序列学习相关的任务的首选架构。
