RNNLIB中LSTM节点描述

RNNLIB是由 Alex Graves写RNN开元工具 https://sourceforge.net/projects/rnnl/ 。
支持多维RNN训练(MDRNN 多维,MDMDRNN 多方向+多维)，并支持深度网络级联训练。广泛应用于手写识别和语音识别等。

LSTM隐含层只需设定Block个数。
一个block可以有多个cell（但目前一般都是一个block里一个cell）
对于二维数据，一个block需要固定的5个输入信号，分别是：输入门计算用，输出门计算用，遗忘门1计算，遗忘门2计算(因为是二维信息所以有2个遗忘门，一个维度一个)，信号变换计算用(真正计算输出用的)。
所以一个block可以看做有5个输入节点，1个输出节点的结构。
而实际训练用输入数据可以多维的，比如图片100*400大小，每次取3*4的小块儿输入到RNN里，那么每个输入数据就是一个12维向量，100*400就右很多个12维向量串联构成(由扫描方式决定)。
对于一个block来看，训练用数据12维度，自己输入信号是5维，所以需要一个[5X12]weight矩阵进行变换。入下图所示：