在使用pytorch的双向LSTM的过程中，我的大脑中蒙生出了一个疑问。
双向的lstm的outputs的最后一个状态与hidden，两者之间肯定有所联系，
但具体是什么样子的呢？会不会hidden状态存储的就是outputs的最后一个状态，
这样的话，岂不是会导致hidden并不能表示整个序列的双向信息吗？
带着这个疑问，我开始了实验。
具体的实验代码，这里就不放了。直接放实验结果吧。
output_size: torch.Size([14, 32, 100])
hidden_size: torch.Size([2, 32, 50])
output_first: tensor([-0.0690, -0.0778, 0.0967, -0.0504, 0.1404, 0.0873, 0.1073, -0.1513,
-0.1217, 0.0537, 0.0757, 0.0448, -0.0561, -0.0421, -0.0794, -0.0940,
-0.0649, -0.1796, 0.0847, 0.0254, -0.1643, -0.0526, -0.0008, 0.0073,
-0.0754, 0.0036, -0.0565, 0.0092, 0.0123, -0.0529, -0.1597, -0.0077,
-0.0999, -0.0776, -0.0958, 0.0742, -0.0728, 0.0029, -0.0870, 0.0563,
0.0162, -0.0016, 0.0380, -0.0483, -0.0513, -0.0948, 0.1770, 0.0280,
0.0937, 0.0464, -0.0423, -0.1260, 0.0138, -0.0270, -0.2708, 0.0970,
-0.0236, 0.1324, 0.0953, -0.0506, -0.2078, 0.1213, -0.0621, 0.0084,
0.0217, -0.0931, -0.0561, -0.1457, -0.1096, -0.0949, 0.0167, -0.0168,
0.0812, -0.1475, 0.2290, 0.0154, 0.1291, 0.0186, 0.1038, -0.0363,
-0.1291, -0.0569, -0.0428, -0.0890, -0.0827, 0.0394, -0.2272, -0.0080,
0.1731, -0.0880, -0.0652, -0.1453, -0.0914, 0.0498, 0.0831, 0.0824,
0.1725, 0.1072, 0.0176, -0.0160], device='cuda:0',
grad_fn=<SelectBackward>)
output_end: tensor([-0.1091, 0.0208, 0.0523, -0.1922, 0.1080, -0.0460, 0.0918, -0.0320,
0.1930, -0.1266, 0.1744, -0.0021, -0.1772, 0.1128, -0.1105, -0.0486,
-0.1082, 0.0427, -0.2161, -0.0804, -0.1955, -0.0580, 0.1070, 0.0856,
0.0544, 0.1932, 0.0318, -0.1977, -0.1417, -0.1977, -0.0027, -0.1575,
0.0047, -0.0164, 0.1221, 0.0331, -0.1921, 0.0210, 0.0123, 0.1483,
0.0109, 0.0044, -0.1512, -0.1795, 0.0544, 0.1051, -0.2025, -0.1051,
-0.0342, 0.1321, -0.0305, -0.0173, 0.0664, -0.0764, -0.1054, -0.0213,
0.0215, -0.0251, -0.0674, 0.0949, -0.0855, 0.0422, 0.0701, -0.1804,
0.1247, 0.0426, 0.0778, -0.0756, -0.0747, -0.1250, 0.0706, 0.0458,
-0.0114, -0.0088, 0.0573, -0.0144, -0.0143, -0.0633, 0.1355, -0.0049,
0.0091, 0.0533, -0.0889, -0.0338, -0.0654, 0.0491, -0.0809, -0.0311,
0.1278, -0.0765, -0.0682, -0.1066, 0.0538, -0.1175, -0.0171, 0.0496,
0.0258, -0.0646, 0.1396, 0.0468], device='cuda:0',
grad_fn=<SelectBackward>)
hidden tensor([[-0.1091, 0.0208, 0.0523, -0.1922, 0.1080, -0.0460, 0.0918, -0.0320,
0.1930, -0.1266, 0.1744, -0.0021, -0.1772, 0.1128, -0.1105, -0.0486,
-0.1082, 0.0427, -0.2161, -0.0804, -0.1955, -0.0580, 0.1070, 0.0856,
0.0544, 0.1932, 0.0318, -0.1977, -0.1417, -0.1977, -0.0027, -0.1575,
0.0047, -0.0164, 0.1221, 0.0331, -0.1921, 0.0210, 0.0123, 0.1483,
0.0109, 0.0044, -0.1512, -0.1795, 0.0544, 0.1051, -0.2025, -0.1051,
-0.0342, 0.1321],
[-0.0423, -0.1260, 0.0138, -0.0270, -0.2708, 0.0970, -0.0236, 0.1324,
0.0953, -0.0506, -0.2078, 0.1213, -0.0621, 0.0084, 0.0217, -0.0931,
-0.0561, -0.1457, -0.1096, -0.0949, 0.0167, -0.0168, 0.0812, -0.1475,
0.2290, 0.0154, 0.1291, 0.0186, 0.1038, -0.0363, -0.1291, -0.0569,
-0.0428, -0.0890, -0.0827, 0.0394, -0.2272, -0.0080, 0.1731, -0.0880,
-0.0652, -0.1453, -0.0914, 0.0498, 0.0831, 0.0824, 0.1725, 0.1072,
0.0176, -0.0160]], device='cuda:0', grad_fn=<SliceBackward>)
上面的实验结果，第一条输出为输出的维度大小，分别是长度，批次和隐藏层大小*2。我们可以看出最后一维的维度值为100，是设置隐藏层大小的两倍。
第二条输出则是我们的隐藏层维度大小，分别是左右两向，批次大小，隐藏层大小。
第三条输出是（第一条数据）从左往右第一个词所对应的表示向量的值，为“序列从左往右第一个隐藏层状态输出”和“序列从右往左最后一个隐藏层状态输出”的拼接。
第四条输出是（第一条数据）从左往右最后一个词所对应的表示向量的值，为“序列从左往右最后一个隐藏层状态输出”和“序列从右往左第一个隐藏层状态输出”的拼接。
第五条输出是隐藏层输出，为“序列从左往右最后一个隐藏层状态输出”和“序列从右往左最后一个隐藏层状态输出”的拼接。