在之前使用Tensorflow来做音乐识别时，LSTM给出了非常让人惊喜的学习能力。当时在进行Tuning的时候，有一个参数叫做num_units，字面看来是LTSM单元的个数，但最近当我试图阅读Tensorflow源代码时，和我们最初的认知大不相同，以此博文来记录。
先看当初我们是如何设置的：
rnn_cell = tf.contrib.rnn.BasicLSTMCell(num_units=300)
看起来像是，为Hidden Layer设置了300个单独的LSTM单元，然后并行工作最终输出300个值。但实际上，我们来看一下Tensorflow的源码：(github地址)，从line 326，开始定义BasicLSTMCell类，在line 374行开始定义BasicLSTMCell的核心方法call方法：
def call(self, inputs, state):
"""Long short-term memory cell (LSTM)."""
sigmoid = math_ops.sigmoid
# Parameters of gates are concatenated into one multiply for efficiency.
if self._state_is_tuple:
c, h = state
else:
c, h = array_ops.split(value=state, num_or_size_splits=2, axis=1)
concat = _linear([inputs, h], 4 * self._num_units, True)
# i = input_gate, j = new_input, f = forget_gate, o = output_gate
i, j, f, o = array_ops.split(value=concat, num_or_size_splits=4, axis=1)
new_c = (
c * sigmoid(f + self._forget_bias) + sigmoid(i) * self._activation(j))
new_h = self._activation(new_c) * sigmoid(o)
if self._state_is_tuple:
new_state = LSTMStateTuple(new_c, new_h)
else:
new_state = array_ops.concat([new_c, new_h], 1)
return new_h, new_state
注意标红色的行，改行的作用是，根据当前时刻的输入inputs，以及前一时刻的输出值h，去计算4个gates在经过activation function之前的线性组合值。而后，蓝色的两行，我们使用四个gates去计算了新的LSTM Cell状态c，以及新的输出值h。
是的，无论num_units设置为多少，这是一个LSTM Cell!如果我们查看_linear这个函数，可以看到第二个参数是output_size，也就是说num_units和LSTM Cell的输出大小有关。事实上，Tensorflow的LSTMCell表征了整个一层Hidden Layer。而num_units则表示State Cell的存储能力，或者说维度Dimension。试想在一个LSTM Neural Network中，输入tensor X的维度是确定的，输出值Y的维度也是确定的，而LSTM各个时刻间的中间状态c，以及抽象输出h，则可以为任意维度。因为h可以经过dense层(fully-connected layer)去压缩成Y所需的维度。
所以c和h的维度越高，其蕴含的time series data细节越多，当然越容易去拟合training set。但是，容易Overfitting呀，所以tuning时平衡training set的拟合程度，以及cv set的预测精度，来达到trade off咯。