1、从LSTM的经典图入手

循环神经网络之LSTM

可以看到中间的 cell 里面有四个黄色小框:
-- 每一个小黄框代表一个前馈网络层，其实就是经典的神经网络的结构
-- 这个cell神经元个数和隐藏层个数皆可以设置
-- 其中1、2、4层的**函数是 sigmoid，第三层的**函数是 tanh。

2、对LSTM的理解

1）、cell 的状态是一个向量，是有多个值的

-- cell在t时刻的状态即是ht
-- 上一层的状态h_t-1 会和当前层的输入xt结合
-- s(t)代表长期记忆，即是前面所有层的作用结果
-- h(t)是短期记忆，即是当前层的状态

2）、上一次的状态 h(t-1)是怎么和下一次的输入 x(t) 结合

-- 很简单，concat，也即是拼接起来
-- 直白的说就是把二者直接拼起来，比如 x是28位的向量，h(t-1)是128位的，那么拼起来就是156位的向量

3）、cell 的权重是共享的

-- 意思是这张图看起来有三个cell，其实只是一个cell的的3个状态；一个状态是一个时间步，每个时间步有一个输入，这个输入由LSTM自动适配

4）、一层的 LSTM 的参数有多少个

-- 一层即是只有一个 cell，所以参数的数量就是这个 cell 里面用到的参数个数。
-- 假设 num_units 是128，输入是28位的，那么根据上面的第 2 点，可以得到，四个小黄框的参数一共有 （128+28）*（128*4），也就是156 * 512
-- 可以看看 TensorFlow 的最简单的 LSTM 的案例，中间层的参数就是这样
-- 不过还要加上输出的时候的**函数的参数，假设是10个类的话，就是128*10的 W 参数和10个bias 参数

3、怎么用LSTM产生序列或进行普通的分类预测

怎么产生序列：
-- LSTM如果每个时间步都产生一个结果
-- 即是每基于一个输入和上一个时间就产生一个结果，保留每个结果那不就可以产生一个序列了

怎么用来做普通预测：
-- 最后一层加上全连接网络即可

4、LSTM网络样本输入格式研究

输入数据的格式为：[样本总数/时间步个数 ,时间步长度，特征长度]
--即整体上要按时间步输入样本批次，一个批次样本的数量 = 样本总数量/时间步
--而具体到x中的每个元素，也要处理为 [时间步长度，特征长度] ，即是每个元素都是 时间步个数 条 样本

更通俗理解：一个单词代表一个timestep
在inference的时候，只能一个单词一个单词地输出；
而在train的时候，我们有整个句子，因此可以一次feed若干个单词(因为有n个timestep)
-- 比如一个训练目标为Google is better than Apple
-- 因为timestep为5，于此同时训练目标为is better than Apple [END]。