1.结论
照惯例，先上结论，再说过程，不想看过程的可直接略过。
从这个图我们可以知道，一个LSTM cell中有4个参数，并且形状都是一样的shape=[output_size+n,output_size],其中n表示输入张量的维度,output_size通过函数BasicLSTMCell(num_units=output_size)获得。
2.怎么来的？
让我们一步一步从Tensorflow的源码中来获得这些信息！
2.1 cell.state_size
首先，需要明白Tensorflow中，state表示的是cell中有几个状态。例如在BasicRNNCell中，state就只有h这一个状态；而在BasicLSTMCell中，state就有h和c这两个状态。其次，state_size表示的是每个状态的第二维度，也就是output_size。
举例：
import tensorflow as tf
output_size = 10
batch_size = 32
dim = 50
cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=output_size)
print(cell.state_size)
>>
LSTMStateTuple(c=10, h=10)
LSTMStateTuple(c=10, h=10)就表示，c和h的output_size都为10,即[batch_size,10]。另外Tensorflow在实现的时候，都将c,h困在一起了，即以Tuple的方式，这也是Tensorflow所推荐的。
2.2 cell.zero_state
在LSTM中，zero_state就自然对应两个部分了，
。
import tensorflow as tf
output_size = 10
batch_size = 32
dim = 50
cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=output_size)
input = tf.placeholder(dtype=tf.float32, shape=[batch_size, 50])
h0 = cell.zero_state(batch_size=batch_size, dtype=tf.float32)
print(h0)
>>
LSTMStateTuple(c=<tf.Tensor 'BasicLSTMCellZeroState/zeros:0' shape=(32, 10) dtype=float32>,
h=<tf.Tensor 'BasicLSTMCellZeroState/zeros_1:0' shape=(32, 10) dtype=float32>)
可以看到，返回了c,h两个零状态！
2.3 关键性的一步cell.call
先说明一点，由于源码很多，所有在下面的讲解中只会列出函数名和对应核心的代码，具体可以跳转至call的实现部分。
import tensorflow as tf
output_size = 10
batch_size = 32
dim = 50
cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=output_size)
input = tf.placeholder(dtype=tf.float32, shape=[batch_size, 50])
h0 = cell.zero_state(batch_size=batch_size, dtype=tf.float32)
new_h, new_state = cell.call(input, h0)
------------------------------------------------------------------
def call(self, inputs, state):
if self._state_is_tuple:
c, h = state
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
首先，从call()中的第17行代码可知，首先从state中得到传进来的c,h，然后就开始进行第18行的操作了，为了弄清楚里面到底干了啥，于是我们再次进入_linear()这个函数。
总的来说，_linear()这个函数实现了：先将
进行concat，然后进行线性变换；如下图所示：
而与上面两个步骤对应代码就是下面的
concat = _linear([inputs, h], 4 * self._num_units, True)
def _linear(args,
output_size,
bias, # 是否要添加偏置
bias_initializer=None,
kernel_initializer=None):
shapes = [a.get_shape() for a in args]# 得到传进来的inputs,h的shape
total_arg_size += shape[1].value # 得到inputs和h一共有多少列
res = math_ops.matmul(array_ops.concat(args, 1), weights)# 同时计算得到4个部分的线性映射
其中， 就是LSTM cell中的4个权重参数。
现在我们已经清楚了_linear()的作用，接下来我们就再次回到
这个函数中：
def call(self, inputs, state):
if self._state_is_tuple:
c, h = state
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
经过上面第4行代码，我们得到了4个部分线性变换后的结果；然后根据第6行代码可以看出，将concat又分割成了四个部分，而这四个部分对应关系如下图所示：
接着第7,9行代码就分别计算出了new_c,new_h
3. 总结
import tensorflow as tf
output_size = 10
batch_size = 32
dim = 50
cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=output_size)
input = tf.placeholder(dtype=tf.float32, shape=[batch_size, 50])
h0 = cell.zero_state(batch_size=batch_size, dtype=tf.float32)
new_h, new_state = cell.call(input, h0)
对于一个基本的LSTM cell,在定义的时候，通过上面第6行代码的num_units,第8行的batch_size和第7行的input我们就得到了cell中所有参数的shape。
对于LSTM按时间维度展开的方法和多层堆叠同BasicRNNCell一致，在此就不赘述，可参见本系列文章的（二）（三）。
循环神经网络系列博文
循环神经网络系列（一）Tensorflow中BasicRNNCell
循环神经网络系列（二）Tensorflow中dynamic_rnn
循环神经网络系列（三）Tensorflow中MultiRNNCell
循环神经网络系列（四）基于LSTM的MNIST手写体识别
循环神经网络系列（五）Tensorflow中BasicLSTMCell
