参考 ————

图例讲解

https://blog.csdn.net/u014518506/article/details/80445283

理解：cell其实只有一个 ； sequence length其实就是这个cell更新多少次；LSTM的参数总数其实从全连接层的角度来看就可以

 

源码分析

https://www.cnblogs.com/yuetz/p/6563377.html

 

 concat = _linear([inputs, h], 4 * self._num_units, True, scope=scope)

      # i = input_gate, j = new_input, f = forget_gate, o = output_gate
      i, j, f, o = array_ops.split(value=concat, num_or_size_splits=4, axis=1)

      new_c = (c * sigmoid(f + self._forget_bias) + sigmoid(i) *
               self._activation(j))
      new_h = self._activation(new_c) * sigmoid(o)

理解哪里是输入门、输出门、遗忘门

 

state_is_tuple=True的时候，state是元组形式，state=(c,h)。如果是False，那么state是一个由c和h拼接起来的张量，state=tf.concat(1,[c,h])。在运行时，则返回2值，一个是h，还有一个state。

 

**如何理解batch在lstm或者rnn里面的运算过程？不是只有一个cell吗！

-- 其实就是batch最开始用于反向传播过程中的原因，每一个batch进入的时候的一个cell会copy成batchsize个，这样就有batchsize个一样的cell，然后在下个timestep时刻，将batchsize个cell的梯度更新的情况统一起来（例如sum操作），作为新的cell的值，那么下一个timestep的初始cell值也都是一样的

https://blog.csdn.net/jcsyl_mshot/article/details/80712110 详细讲了一个timestep中的loss计算和反向传播