自用—时间序列数据、RNN、LSTM 中输入形式的记录

time_size: 时间步长，时间序列的长度
序列长度（sequence length）也可以理解为时间步(time step)比较好理解。比如一个语音输入，语音的长度就是序列长度。
input size表示一次输入的特征向量的大小。比如上面的全连接层神经网络，当batch_size为1是，输入的shape就是1x3
是不是脉搏就可以看做 输入的特征是1 因为是一通道的，图例是3通道的

例如这样一个数据集合，总共100条句子，每个句子20个词，每个词都由一个80维的向量表示。在lstm中，单个样本即单条句子输入下（shape是 [1 , 20, 80]），假如设定每一个time step的输入是一个词（当然这不一定，你也可以调成两个词或者更多个数的词），则在t0时刻是第一个时间步，输入x0则为代表一条句子（一个样本）中第1个词的80维向量，t1是第二个时间步，x1表示该句子中第2个词的80维向量，依次类推t19输入是最后一个词即第20个词的向量表示。

我是不是可以把1000条采样2000个点的脉搏数据理解为，【1000，2000，1】
100个句子 每个句子20个词 每个词由80维向量表示
1000条脉搏数据 每条脉搏数据由2000个采样点 每个采样点由1维向量表示

关于RNN，RNN是处理时间序列的网络架构【本质是线性层】，输入的数据必然是具有时间关系的，自己的脉搏数据【50*2000】 2000 这一维是具有时序关系的
RNN运算特别耗时，一般层数都不会选取太多，之前看有人分享的tips基本上都是3层以内

LSTM图解与代码参数对照
nn.LSTM(nput_size, hidden_size, num_layers)
蓝色的模块是指前面的单位LSTM结构
横向连接的各个LSTM结构就是序列化。不同状态（时间）下的LSTM结
纵向连接的是同一状态下LSTM结构。或者我们可以简单看作是多个LSTM细胞结构串联，其个数为num_layers, 将其视为一个新的LSTM结构，并且按照时序连接起来
图中每个参数都是自带维度的

RNN输入的参数的理解
seqLen 代表序列长度
inputSize代表每个序列有几个维度特征，拿股票举例有开盘价、收盘价、最高价、最低价，有四个特征所以inputSize为4，但是脉搏的话，只有一个特征，所以inputSize应为1
dataset.shape = （seqLen,batchSize,inputSize）