LSTM输入层要求的维度是三维的，其中包含三个参数: [batch_size, input_dim, time_step]
1.训练的话一般一批一批训练，即让batch_size 个样本同时训练；
2.每个样本又包含从该样本往后的连续seq_len个样本（如seq_len=15）,seq_len也就是LSTM中cell的个数；
3.每个样本又包含inpute_dim个维度的特征（如input_dim=7）
因此，输入层的输入数据通常先要reshape:
x= np.reshape(x, (batch_size , seq_len, input_dim)) #[64, 28, 28]
（友情提示：每个cell共享参数！）
扫描二维码关注公众号，回复：
10693382 查看本文章
LSTM识别MNIST手写数字集
# RNN学习时使用的参数
learning_rate = 0.001
training_iters = 100000
batch_size = 128
display_step = 10
# 神经网络的参数
n_input = 28 # 输入层的n
n_steps = 28 # 28长度
n_hidden = 128 # 隐含层的特征数
n_classes = 10 # 输出的数量，因为是分类问题，0~9个数字，这里一共有10个