pytorch nn.LSTM详解 代码里有详细的参数说明
nn.LSTM(in_dim, hidden_dim, n_layer, batch_first=True):LSTM循环神经网络
参数：
input_size： 表示的是输入的矩阵特征数
hidden_size： 表示的是输出矩阵特征数
num_layers 表示堆叠几层的LSTM，默认是1
bias： True 或者 False，决定是否使用bias
batch_first： True 或者 False，因为nn.lstm()接受的数据输入是(序列长度，batch，输入维数)，这和我们cnn输入的方式不太一致，所以使用batch_first，我们可以将输入变成(batch，序列长度，输入维数)
dropout： 表示除了最后一层之外都引入一个dropout
bidirectional： 默认是false，代表不用双向LSTM，双向LSTM，也就是序列从左往右算一次，从右往左又算一次，这样就可以两倍的输出
举个例子：
对句子进行LSTM操作
假设有100个句子（sequence）,每个句子里有5个词，batch_size=3，embedding_size=10
此时，各个参数为：
input_size=embedding_size=10
batch=batch_size=3
seq_len=5
另外设置hidden_size=20, num_layers=1
import torch
import torch.nn as nn
from torch.autograd import Variable
rnn = nn.LSTM(input_size=10,hidden_size=20,num_layers=2)#输入向量维数10, 隐藏元维度20, 2个LSTM层串联(若不写则默认为1）
inputs = torch.randn(5,3,10)#输入（seq_len, batch_size, input_size） 序列长度为5 batch_size为3 输入维度为10
h_0 = torch.randn(2,3,20)#(num_layers * num_directions, batch, hidden_size) num_layers = 2 ，batch_size=3 ，hidden_size = 20,如果LSTM的bidirectional=True,num_directions=2,否则就是１，表示只有一个方向
c_0 = torch.randn(2,3,20)#c_0和h_0的形状相同，它包含的是在当前这个batch_size中的每个句子的初始细胞状态。h_0,c_0如果不提供，那么默认是０
num_directions=1# 因为是单向LSTM
#输出格式为(output,(h_n,c_n))
output,(h_n,c_n) = rnn(inputs,(h0,c0))#输入格式为lstm(input,(h_0, c_0))
print("out:", output.shape)
print("h_n:", h_n.shape)
print("c_n:", c_n.shape)
输出结果：
out: torch.Size([5, 3, 20])
h_n: torch.Size([2, 3, 20])
c_n: torch.Size([2, 3, 20])
输出结果说明：
output的shape为(seq_len=5,batch_size=3,num_directions*hidden_size)，hidden_size为20，num_directions为1。它包含的LSTM的最后一层的输出特征(h_t),ｔ是batch_size中每个句子的长度。
h_n.shape为(num_directions * num_layers=2,batch_szie=3,hidden_size=20)
c_n.shape==h_n.shape
h_n包含的是句子的最后一个单词的隐藏状态，c_n包含的是句子的最后一个单词的细胞状态，所以它们都与句子的长度seq_len无关。
output[-1]与h_n是相等的，因为output[-1]包含的正是batch_size个句子中每一个句子的最后一个单词的隐藏状态，注意LSTM中的隐藏状态其实就是输出，cell state细胞状态才是LSTM中一直隐藏的，记录着信息