nn.LSTM(input_dim,hidden_dim,nums_layer,batch_first)
各参数理解：

• input_dim：输入的张量维度，表示自变量特征数
• hidden_dim：输出张量维度
• bias：True or False 是否使用偏置
• batch_first：True or False，nn.LSTM 接收的输入是（seq_len，batch_size，input_dim），将batch_first设置为True将输入变为（batch_size，seq_len，input_dim）
• dropout：除了最后层外都引入随机失活
• bidirectional：True or False 是否使用双向LSTM

举例：10000个句子，每个句子10个词，batch_size=10，embedding_size=300（input_dim）

此时各个参数为：

• input_size=embedding_size=300
• batch=batch_size=10
• seq_len=10
• 另外设置hidden_dim=128，num_layers=2

	import torch
	import torch.nn as nn
	from torch.autograd import Variable

	rnn = nn.LSTM(input_size=300,hidden_size=128,num_layers=2)
	inputs = torch.randn(10,10,300)#输入（seq_len, batch_size, input_size） 序列长度为10 batch_size为10 输入维度为300
	h_0 = torch.randn(2,10,128)#(num_layers * num_directions, batch, hidden_size)  num_layers = 2 ，batch_size=10 ，hidden_size = 128,如果LSTM的bidirectional=True,num_directions=2,否则就是１，表示只有一个方
	c_0 = torch.randn(2,10,128)#c_0和h_0的形状相同，它包含的是在当前这个batch_size中的每个句子的初始细胞状态。h_0,c_0如果不提供，那么默认是０
	num_directions=1#   因为是单向LSTM

	#输出格式为(output,(h_n,c_n))
	output,(h_n,c_n) = rnn(inputs,(h0,c0))#输入格式为lstm(input,(h_0, c_0))
	print("out:", output.shape)
	print("h_n:", h_n.shape)
	print("c_n:", c_n.shape)

	输出结果：
	out: torch.Size([10, 10, 128])
	h_n: torch.Size([2, 10, 128])
	c_n: torch.Size([2, 10, 128])

输出结果：

• output的shape为(seq_len=5,batch_size=3,num_directions*hidden_size)，hidden_size为20，num_directions为1。它包含的LSTM的最后一层的输出特征(h_t),ｔ是batch_size中每个句子的长度。
• h_n.shape为（num_directions*num_layers=2，batch_size=3，hidden_size=20）
• c_n.shape==h_n.shape
• h_n是句子最后一个单词的隐藏状态，c_n包含句子最后一个单词的细胞状态，它们与句子长度无关
• LSTM中的隐藏状态就是输出。