Tensorflow中LSTM的各张量维度名称和别名，及特定名称的解释

LSTM是由每个cell组成的，每个cell里有3个门：输入门、遗忘门、输出门；每个cell有4个前馈网络层，其实就是4个激活函数，分别是σ、σ、tanh、σ；这些前馈网络层里有神经元，即隐藏神经元，每个前馈网络层里的隐藏神经元个数都是相同的，即num_units，也写作hidden_size

每个ht的向量维度即为hidden_size

当前时刻t的输入是xt，xt的维度是input_size，或input_dim，xt的维度是自己定义的，在NLP中就是词向量的维度，每一列（每一个xt）代表一个词向量。

在LSTM中，每时刻既要考虑当前的输入，也要考虑以往的信息，因此向cell中输入的是ht-1和xt的组合，组合方式是concat（结合），其实就是把两者直接拼起来，比如ht-1是128位，xt是28位，则输入向量是156位。

LSTM的公式是：

由上式可见，每个前馈网络层都有两个参数，W和b，权重参数W的维度是[hidden_size+input_size,hidden_size]，b的维度是hidden_size，因此每个cell的维度是[hidden_size+input_size,4*hidden_size]

cell的权重是共享的，在num_steps个时刻的LSTM都是共享一套参数的，说是有num_steps个LSTM单元，其实只有一个，只不过对这个单元执行num_steps次

batch就是有多少个样本数据

time_steps是LSTM特有的，表示有多少个时刻的输入

Initial State是LSTM的隐藏状态和内部状态的一个输入的初始化。分别记作：h0和c0；输出可以通过设置，来决定是输出所有时序步的输出，还是只输出最后一个时序步的输出。Final_State是隐藏状态和内部状态的输出，记作：hn和cn

seq_len是每个样本数据的长度

整体输入数据X的shape：(seq_len,batch,input_size)，也可以在LSTM()中设置batch_first，使得X的输入格式要求变为(batch，seq_len,input_size)

h0和c0的格式都是：(1,batch,hidden_size)，或（batch，hidden_size）

H的格式：(seq_len,batch,hidden_size)，这种是输出所有时间步的隐藏状态，需要在LSTM()中设置return_sequences=True,否则默认只输出最后一个时间步的输出结果(1,batch,hidden_size)

如果只想要研究最后一个时间步的输出结果，只需在最后一个时间步添加全连接即可