如果用一句话总结LSTM的作用，它可以用来处理时序数据；如果用一句话总结卷积的作用，它用来处理空间数据。那如果是音频呢，图片随着时间变化，那我们就会想基于卷积和LSTM的结合来解决这个问题。

在处理图像时，我们通常先将数据处理成一维向量，这个过程一般通过卷积来完成，在得到了图像的一维卷积之后，我们就可以将数据接在LSTM上了。因此LSTM的结构并没有本质改变，一个表示卷积LSTM的cell如图所示。

layer的参数还是卷积和LSTM的参数，并不难理解。

在moving-mnist数据集上对序列信息进行预测。

数据集地址：http://www.cs.toronto.edu/~nitish/unsupervised_video/mnist_test_seq.npy

代码地址：http://www.cs.toronto.edu/~nitish/unsupervised_video/unsup_video_lstm.tar.gz

在论文 Unsupervised Learning of Video Representations using LSTMs 中对该任务进行了详细描述。

using LSTMs*** 中对该任务进行了详细描述。

http://www.cs.toronto.edu/~nitish/unsup_video.pdf 欢迎关注公众号BBIT 让我们共同学习共同进步！