CNN-LSTM方法
在深度学习中能够良好表达序列化特征的网络架构就是RNN网络，其中表现最好的实现形式即是RNN的LSTM，故将LSTM与CNN相结合能够将空间特征与时间特征更完整的进行学习，从而实现"deep in time"
LRCN三种应用形式
算法架构
先给出个论文内的示意图，将来我会针对LRCN算法继续发表其源码如何实现算法的文章，届时再详细对算法架构进行深度分析。
LRCN算法架构
参数配置
1 CNN的部分仍然用传统的AlexNet，但实验中发现全连接层fc6和fc7差距较小，舍弃了fc7，将fc6的结果作为LSTM的输入；
2 LSTM的部分隐藏单元数量分别使用了256、512、1024，但数量增多效果增益不明显，最后隐藏单元数RGB输入时256个，光流输入时1024个。
训练集预处理
1 AlexNet使用了ILSVRC-2012的预训练
MORE
