前言
- 关于LSTM原理： http://colah.github.io/posts/2015-08-Understanding-LSTMs/
- 关于LSTM原理（译文）：https://blog.csdn.net/Jerr__y/article/details/58598296
- 关于Tensorflow+LSTM的使用：https://www.knowledgemapper.com/knowmap/knowbook/[email protected](MNISTdataset)
- 关于Tensorflow+LSTM的使用（译文）：https://yq.aliyun.com/articles/202939
正文
本文只是介绍tensorflow中的BasicLSTMCell中num_units，关于LSTM和如何使用请看前言的教程。
在使用Tensorflow跑LSTM的试验中， 有个num_units的参数，这个参数是什么意思呢？
先总结一下，num_units这个参数的大小就是LSTM输出结果的维度。例如num_units=128， 那么LSTM网络最后输出就是一个128维的向量。
我们先换个角度举个例子，最后再用公式来说明。
假设在我们的训练数据中，每一个样本 x 是 28*28 维的一个矩阵，那么将这个样本的每一行当成一个输入，通过28个时间步骤展开LSTM，在每一个LSTM单元，我们输入一行维度为28的向量，如下图所示。
那么，对每一个LSTM单元，参数 num_units=128 的话，就是每一个单元的输出为 128*1 的向量，在展开的网络维度来看，如下图所示，对于每一个输入28维的向量，LSTM单元都把它映射到128维的维度， 在下一个LSTM单元时，LSTM会接收上一个128维的输出，和新的28维的输入，处理之后再映射成一个新的128维的向量输出，就这么一直处理下去，知道网络中最后一个LSTM单元，输出一个128维的向量。
从LSTM的公式的角度看是什么原理呢？我们先看一下LSTM的结构和公式：
参数 num_units=128 的话，
- 对于公式 (1) ，h=1281 维， x=281 维，[h,x]便等于1561 维，W=128156 维，所以 W*[h,x]=128156 * 1561=1281, b=1281 维, 所以 f=1281+1281=128*1 维；
- 对于公式 (2) 和 (3)，同上可分析得 i=1281 维，C(~)=1281 维;
- 对于公式 (4) ，f(t)=1281, C(t-1)=1281, f(t) .* C(t-1) = 1281 . 1281 = 1281 , 同理可得 C(t)=128*1 维;
- 对于公式 (5) 和 (6) ， 同理可得 O=128*1 维， h=O.tanh©=1281 维。
所以最后LSTM单元输出的h就是 128*1 的向量。
以上就是 num_units 参数的含义。
如有错误请指出谢谢
参考链接：
https://stackoverflow.com/questions/37901047/what-is-num-units-in-tensorflow-basiclstmcell
https://www.zhihu.com/question/64470274