本篇写LSTM的输入输出。
一、输入格式
首先粘贴官方文档：
h和c的解释看下面，直接来看输入Input。
其格式为（seq_len，batch，input_size），输入为一个三维向量，第一维表示序列长度，即按时间序列展开有多少个可见的cell，等价于time_step；第二维表示数据批次的多少batch，即数据分为几批送进来；第三维input_size，表示每个time_step代表输入x的特征维数，即输入的特征向量的长度。
二、输出格式
官方文档：
（1）output形状为（seq_len，batch，num_direction*hidden_size），这个张量包含LSTM最后一层每个周期的输出特征（h_t），如果是双向LSTM，每个time_step的输出h=[h正向，h负向]。
output是一个三维张量，第一维表示序列长度，第二维表示数据批次的多少batch，即数据分为几批送进来，第三维hidden_size隐藏层大小，双向则二倍，单向则等价于隐藏层大小。
（2）h_n保存了每一层最后一个time_step的输出h，如果是双向LSTM，单独保存前向和后向的最后一个time_step的输出h；这里的h的大小应该是每一个隐藏层节点的值（或称状态），这就是h_n的含义。
h_n是一个三维张量，（num_layers*num_directions，batch，hidden_size），第一维num_layers为层数，第三维为隐藏层节点的个数，即想要的节点值。说白了就是有几个长度为hidden_size的一维向量，每个表示一组隐藏节点的状态值。
（3）c_n与h_n一致，保存的是c值。维数也一样。
总结：
单层LSTM：
输入数据：
——input的格式：(seq_len，batch，input_size) #batch是批次数，可以在LSTM()中设置batch_first，使得X的输入格式要求变为(batch，seq_len,input_size)
——h0的格式：(1，batch，hidden_size)
——c0的格式：(1，batch，hidden_size
因为不管输入的数据X是多少个特征的，h0和c0的都只需要一个输入就行。
对于输出，输出的hidden_size的大小是由门控中的隐藏的神经元的个数来确定的。
输出的格式：
——output的格式：(seq_len，batch，hidden_size) #如果按照(seq_len,batch,hidden_size) 的格式输出，需要在LSTM()中设置return_sequences=True,否则默认只输出最后一个时间步的输出结果(1,batch,hidden_size).
——hn的格式:(1，batch，hidden_size)
——cn的格式:(1，batch，hidden_size)
多层LSTM：
如果是单向的，
输入数据：
——X的格式：(seq_len,batch,input_size)
——h0的格式：(num_layers,batch,hidden_size)
——c0的格式：(num_layers,batch,hidden_size)
输出数据：
——H的格式：(seq_len,batch,hidden_size)
——hn的格式:(num_layers,batch,hidden_size)
——cn的格式:(num_layers,batch,hidden_size)
如果是双向的，即在LSTM()函数中，添加关键字bidirectional=True，则：
单向则num_direction=1，双向则num_direction=2
输入数据格式：
——input(seq_len, batch, input_size)
——h0(num_layers * num_directions, batch, hidden_size)
——c0(num_layers * num_directions, batch, hidden_size)
输出数据格式：
——output(seq_len, batch, hidden_size * num_directions)
——hn(num_layers * num_directions, batch, hidden_size)
——cn(num_layers * num_directions, batch, hidden_size)
