1 引言
相信很多使用LSTM网络的初学者跟我一样，需要从刚开始不会用，再到只是会用LSTM写模型，最后基本理解LSTM的网络结构及输入输出。
2 对LSTM网络的分析
LSTM网络从概念上讲，主要包括四个门，依次为遗忘门f，输入门i，更新门g和输出门o。如下图
上图对于每一个门有形式化语言:
f=sigmoid(Wf(x(t),h(t-1))+bf)
i=sigmoid(Wi(x(t),h(t-1))+bi)
g=tanh(Wg(x(t),h(t-1))+bg)
o=sigmoid(Wo(x(t),h(t-1))+bo)
对于S(t)和h(t)有：
S(t)=f*s(t-1)+i*g
h(t)=s(t)*o
对于上面的公式可以参考源码:
3 实现细节
1.units表示什么：
所谓units就是你写代码时传入的神经元个数，即下图中的HIDDEN_SIZE。这里的神经元个数表示每一个门里面的神经元个数，即若我设HIDDEN_SIZE=128，那么上面每个门里面的神经元个数均为128，实际上每个门就是一个含128个神经元的前馈神经网络。
2.关于初始值，也就是对于第一个传入的x1不存在S和h时，可以参考源码，即设为维度为神经元个数的0向量。
4 举例说明
1.假设经过上层传入LSTM的x1=[1,2,3],那么如果为第一个则初始会h=[0,0,0,0,0]（假设神经元个数为5）,初始s=[0,0,0,0,0]，每个门的权重W矩阵维度为(5,8),偏置b的维度为(5,);
2.执行第一步，拼接x1和h形成一个维度为(8,)的输入，这里暂且记为input；根据上面公式算每个门的值，以遗忘门为例:
f=sigmoid（np.dot(wf,input)+bf）可以得出f的维度为(5,)你会发现f的维度跟初始的S一样，所以可以进行点乘运算；那么我们易知每个门的计算值的维度均为(5,)，所以你会发现一切的点乘和相加都能够正常计算；那么我们可以推出h的维度也为(5,)
综上，可以直达在LSTM网络中的S也作C的维度为(神经元个数，)，h的维度也为(神经元个数,)
最后，因为本人也是初识LSTM，文中可能有不对的地方，可以多多指教，方便改正。