看到这篇文章的读者朋友应该对RNN和LSTM的基本结构有了一定的认识，下面就简单快速复习一下：
首先说明一下RNN是什么，递归神经网络(recursive neural network)或者循环神经网络(Recurrent Neural Network)的缩写都是RNN,循环神经网络首先被提出，而递归神经网络是循环神经网络的推广，不过现在我们一般不加区分，叫什么都可以，两者一般通用。
下图为RNN的结构示意图：
或者是：
上述图中，，
输入，隐状态，输出等的关系如下：
•网络某一时刻的输入xt，和之前介绍的BP神经网络的输入一样，xt是一个n维向量，不同的是RNN(递归神经网络)的输入将是一整个序列，也就是X = [x1,…,xt-1,xt,xt+1,…xT]，T表示序列的长度，这也就是说RNN中一个样本就是一个序列。对于语言模型，每一个xt将代表一个词向量，一整个序列就代表一句话(也就是一个样本)，T就是这句话包含的单词数量。又由于在神经网络中，我们的输入通常是多个样本作为一个批次的，所以在RNN中数据通常是三维的，也就是[batch_size,seq_len,input_dim]或者[seq_len,batch_size,input_dim],其中，batch_size表示批次大小，也就是一个批次含有多少个序列(句子)；seq_len表示一个序列(句子)的长度；input_dim表示某时刻输入数据的维度，也就是这个输入数据的特征数目(features)。
•st是时间t处的“记忆”，相当于对输入值xt和上一时刻的状态值ht-1做了一个线性变换，保留了上一时刻的信息。维度为[batch_size,num_units],batch_size是批次大小，和inputs中的意义相同，num_units表示RNN cell中的神经元数量，从矩阵的线性变换的角度来说，就是将数据转换为多少维的向量，这个向量的维度就是num_units。
• ht代表时刻t的隐藏状态，形状也为[batch_size,num_units]，
• ot代表时刻t的输出，我们这里说的输出，是状态值ht先经线性变换(也就是全链接操作)后再经softmax转换得到的最终输出，有些文章也会将ht视作输出，但是其实下一步还需要进行softmax转换才能得到最终结果。
• 输入层到隐藏层之间的权重由U表示，它将我们的原始输入进行抽象作为隐藏层的输入
• 隐藏层到隐藏层的权重W，它是网络的记忆控制者，负责调度记忆。
• 隐藏层到输出层的权重V，从隐藏层学习到的表示将通过它再一次抽象，并作为最终输出。
上式中f可以是tanh,relu,sigmoid等激活函数，g通常是softmax也可以是其他。
值得注意的是，我们说递归神经网络拥有记忆能力，而这种能力就是通过W将以往的输入状态
进行总结，而作为下次输入的辅助。可以这样理解隐藏状态：h=f(现有的输入+过去记忆总结)
辨析：输入序列的序列长度(T)与时间步长(timesteps)的关系是怎么样的呢？
由上文我们可知，同一批次的序列长度是一样的，但是不同批次的序列长度可能不同，具体要看使用的是静态RNN(所有批次序列长度必须保持一致)还是动态RNN(不同批次的序列长度可以不一样)，但是在具体计算时，时间步长是和序列步长相匹配的，具体可以参考
该文章结合代码讲解了在tensorflow，keras中两者不一致是如何处理的，纠正了网上一些不太严谨的说法，给出了清晰明确的答案。
如果感觉仍是不太明确的同学，建议参考下面这些博客：
通过以上博客及本文，相信你一定对RNN的输入输出维度方面的认知有了比较全面和清楚的认知。
