我想使用 LSTM 神经网络根据宿主物种对蛋白质序列进行分类。例如，我有这些字母序列（玩具示例，只是为了理解）：

• MNTQILVFIACVLIE AKGDKICL属于人类
• AKGDKICL MNTQILVFIACVLIE 属于人类
• MNTQ AKGDKICL ILVFIACVLIE 属于狗

序列仅根据子序列AKGDKICL的位置不同，我的网络应该学会识别这一点。LSTM 网络能做到这一点吗？

我试图专注于长期短期记忆的含义。从递归神经网络的介绍和支持它们的数学：

循环神经网络 (RNN) 是一种特殊类型的人工神经网络，适用于时间序列数据或涉及序列的数据。普通的前馈神经网络仅适用于相互独立的数据点。但是，如果我们有一个序列中的数据，使得一个数据点依赖于前一个数据点，我们需要修改神经网络以合并这些数据点之间的依赖关系。RNN 具有“记忆”的概念，可帮助它们存储先前输入的状态或信息，以生成序列的下一个输出。

此外，来自Python 中的递归神经网络示例：

循环神经网络 (RNN) 处理序列——无论是每日股票价格、句子还是传感器测量——一次处理一个元素，同时保留序列中先前出现的内容的记忆（称为状态）。循环意味着当前时间步的输出成为下一个时间步的输入。在序列的每个元素处，模型不仅考虑当前输入，还考虑它对前面元素的记忆。这种记忆允许网络学习序列中的长期依赖关系，这意味着它可以在进行预测时考虑整个上下文，无论是句子中的下一个单词，还是情感分类，或下一次温度测量。RNN 旨在模仿人类处理序列的方式：我们在形成响应时考虑整个句子而不是单词本身。

然后，与受记忆衰减影响的简单 RNN 不同，LSTM 具有在较长时间内存储事件（长期记忆）的概念。

因此，在我的简单练习中，这被如下所示：如果我将每个字母视为标记，使用 keras 标记器，我将为每个序列获取一个整数数组，例如：

[7, 8, 9, 10, 1, 2, 3, 11, 1, 4, 5, 3, 2, 1, 12, 4, 6, 13, 14, 6, 1, 5, 2]

一旦我将这些符号序列转换为向量，我可以将它们提供给 LSTM 网络，该网络能够捕获这些整数（符号）的顺序，将其保存在内存中并在必须对下一个序列进行分类时考虑它？

例如，如果我给它上面报道的几个序列，他是否能够识别出如果子序列AKGDKICL位于序列的末尾或开头，则它属于人类，而如果它位于中间，它属于狗吗？这就是Long Short-Term Memory的意思吗？如果我选择序列的每个符号作为标记，这是否会获得？