读这篇文章的时候，默认你已经对LSTM神经网络有了一个初步的认识，当你深入理解时，可能会对多层LSTM内部的隐藏节点数，有关cell的定义或者每一层的输入输出是什么样子的特别好奇，虽然神经网络就像是一个黑箱子一样，但是我们仍然试图去理解他们。
我们所说的LSTM的cell就是这样子的一个结构：（图中标识的A就是一个cell，图中一共是三个cell）
其中的X.t代表t时刻的输入，h.t代表这一时刻cell的输出，中间的cell中给我们展示了具体的数值传递计算的这么一个过程，不太清楚的同学可以下去自行查阅，就是三个门，首先是遗忘门，然后是更新门，最后是输出门。依靠三个门之间的记忆关系就可以实现对远距离信息的记忆。
那么重点来了，在多层的LSTM网络中，我们会经常见到说比如 hidden layer 1的隐藏节点数为100，hidden layer 2的隐藏节点数为64 等等，那么这些100、64分别代表了什么呢，在图里面又能怎么样表示呢？
还是借鉴上一个图示，其中
h.t就是我们的隐藏节点（好神奇），你有可能会问
h.t就是一个节点啊，怎么回事100个节点数呢？（我这里没有合适的图了）联想一下CNN中的网络，如何实现从n个节点映射到m个节点的，靠的是矩阵之间的计算-权重W和偏置b，举一个简单的例子：输入X是一维的（比如时序信号），我的输出
h.t想要是100维的，大家知道我的每个cell里面是上图这样的结构，但是有一点不要忽视了，里面的计算都是要有参数的，便是W b的计算，所以我们可以设置W为1*100的矩阵，和输入X相乘以后，经过cell的操作，变成维度为100的输出。如果在上图的上面再加一层LSTM网络形成多层的呢？此时第二层的t时刻的输入就为
h.t了，他现在是100维的输入了，同样的道理，我们也可以经过矩阵W b的运算让其输出为64维。这样大家就明白了吧。
这里有一个数据为一维，但是实际输入（数据的维度加上上一时刻状态的维度）为3维，cell输出为二维的网络，最后在cell的上面又加了一层，让最终的输出为一维。可以参考着理解一下。
对于LSTM神经网络，大家肯定关心输入的格式是什么样子的，肯定的告诉大家格式为:
[batchs,time_steps,input_dim]
其中
batch就是我们在CNN里面常见到的batch定义一样，就是多少个样本数目；
time_steps是LSTM特有的，他表示你有多少个时刻的输入，比如上图中就是t-1，t，t+1，三个时刻，所以这个时候的
time_steps就是3；input_dim就是输入的维度，这里的维度指的是每个时刻的输入向量的维度，比如上面说到的，一开始的输入X的input_dim就是一维的，第二层的input_dim就是100维。
接下来会有两个案例讲解来帮助你更好的学习LSTM神经网络：
1、minist手写集图像利用LSTM进行分类，分类问题，输入为多维
2、利用LSTM进行异常信号的检测，预测问题，时序问题，输入为一维