理解：units引數是指他們的輸出引數，把lstm中cell中的幾個連線看成是前饋神經網路層，發現h和x輸入的結合能夠被前饋神經網路層輸出對應的維度，h和輸出的維度相同，千萬要理解下面的黃框框是一個前饋神經網路，這樣才能好理解。我前面一直理解h的維度會發生變化上，進入誤期了。

連結：https://www.zhihu.com/question/41949741/answer/309529532
 

這個問題也困擾了我很久，後來終於明白了，很多資料都沒有在這個地方做詳細的解釋，那就是 LSTM 的 cell 裡面的 num_units 該怎麼理解，其實也是很簡單，看看下圖：

可以看到中間的 cell 裡面有四個黃色小框，你如果理解了那個代表的含義一切就明白了，每一個小黃框代表一個前饋網路層

另外幾個需要注意的地方：

1、 cell 的狀態是一個向量，是有多個值的。。。一開始沒有理解這點的時候怎麼都想不明白

2、 上一次的狀態 h(t-1)是怎麼和下一次的輸入 x(t) 結合（concat）起來的，這也是很多資料沒有明白講的地方，也很簡單，concat， 直白的說就是把二者直接拼起來，比如 x是28位的向量，h(t-1)是128位的，那麼拼起來就是156位的向量，就是這麼簡單。。

3、 cell 的權重是共享

4、那麼一層的 LSTM 的引數有多少個？根據第 3 點的說明，我們知道引數的數量是由 cell 的數量決定的，這裡只有一個 cell，所以引數的數量就是這個 cell 裡面用到的引數個數。假設 num_units 是128，輸入是28位的，那麼根據上面的第 2 點，可以得到，四個小黃框的引數一共有 （128+28）*（128*4），也就是156 * 512，可以看看 TensorFlow 的最簡單的 LSTM 的案例，中間層的引數就是這樣，不過還要加上輸出的時候的啟用函式的引數，假設是10個類的話，就是128*10的 W 引數和10個bias 引數

註明：128是h向量，28是輸入向量，黃框框把128+28的維度對映為128維的向量

5、cell 最上面的一條線的狀態即 s(t) 代表了長時記憶，而下面的 h(t)則代表了工作記憶或短時記憶

暫時這麼多。

-----------------------------------------------------------------------------------------------------------------------------------------------------
引數檢視文章：
原文：https://blog.csdn.net/jiangpeng59/article/details/77646186 

keras.layers.recurrent.LSTM(units, activation='tanh', recurrent_activation='hard_sigmoid', use_bias=True, kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal', bias_initializer='zeros', unit_forget_bias=True, kernel_regularizer=None, recurrent_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, recurrent_constraint=None, bias_constraint=None, dropout=0.0, recurrent_dropout=0.0)

• activation：啟用函式，為預定義的啟用函式名（參考啟用函式）

• recurrent_activation: 為迴圈步施加的啟用函式（參考啟用函式）