LSTM一共有7个输入参数，只挑选重要的理解

1.input_size：输入的特征维度，一般来说就是字向量的维度，比如如果用bert(base)的话，那么输入的维度input_size=768。

2.hidden_size：隐藏层的维度,这里我的理解是输出的特征维度。比如将bert的output[0]的768维的转变为512维度，这512就是hidden_size。

3.num_layers：很好理解，就是LSTM 堆叠的层数,默认值为1，设置为2的时候，第一层的输出是第二层的输入。

4.batch_first：默认为False，在制作数据集和数据集载入的时候，有个参数叫batch_size，也就是一次输入几个数据，lstm的输入默认将batch_size放在第二维，当为True的时候，则将batch_size放在第一维。

5.dropout：神经网络防止过拟合的参数。

6.bidirectional：默认为False，当设置为True的时候，是bi-lstm。

import torch
import torch.nn as nn	 # 神经网络模块

self.embedding = nn.Embedding(vocab_size, embedding_dim) 
self.rnn = nn.LSTM(embedding_dim, hidden_dim // 2,
                     bidirectional=use_bidirectional,
                     dropout=0.5 if use_dropout else 0.)
input = torch.randn(5, 3, 10)
#seq_len=5 , batch_size=3 , dim =10

seq_len可以理解为句子的长度，batch_size是一次进多少个数据，也就是一次进3条数据。dim就是向量维度了,lstm的数据喂入应该是一个time_step输入batch_size大小的单个数据也就是1*3。如果不理解把torch.randn(5,3,10)画出来就理解了。

lstm的输出：output,hn,cn。

hn理解为当前时刻，LSTM层的输出结果，输入短记忆。

而cn是记忆单元中的值，属于长记忆。（不经常用）

output是hn的output则是包括当前时刻以及之前时刻所有hn的输出值，也就是如果有很多个time_step，那么hn就是output[-1]。

output的size=(seq_len,batch_size,dim)