上图中间位置就是一个LSTM cell，红框框从左到右，依次是： 忘记门层： 决定从细胞状态中丢弃什么信息，通过当前时刻输入( x t x_{t} xt​)和前一个时刻输出( h t − 1 h_{t-1} ht−1​)决定。 细胞状态： 确定并更新新消息到当前时刻的细胞状态中。 输出门层： 基于目前的细胞状态决定该时刻的输出。

假设现有一个样本，Shape = (13,5)，时间步是13，每个时间步的特征长度是5【我的理解就是现在有13条数据，每条数据用5个字符表示】，如下所示： (1) a 1 1 a 1 2 . . . a 1 5 a 2 1 a 2 2 . . . a 2 5 . . . . . . . . . . . . . . a 13 1 a 13 2 . . . a 13 5 \begin{matrix} a^1_1 ; a^2_1 ; ... ;a^5_1 \\ a^1_2 ; a^2_2 ; ... ;a^5_2 \\ ... ; ... ; ....; ....; \\ a^1_{13} ; a^2_{13} ; ... ;a^5_{13} \\ \end{matrix} \tag{1} a11​a21​...a131​​a12​a22​...a132​​.............​a15​a25​....a135​​​(1) 使用Keras框架添加LSTM层时，我的设置是这样的keras.layers.LSTM(10)，也就是我现在设定，每个时间步经过LSTM后，得到的中间隐向量是10维（意思就是5->10维），13个时间步的数据进去得到的是(13*10)的数据。 每个时间步对应神经元个数（参数个数）一样，也就是算一个LSTM中神经元个数，算一个事件步中参与的神经元个数即可，下面将对LSTM每个计算部分进行神经元分析。

图中公式的 h t − 1 h_{t-1} ht−1​是上一个状态的隐向量（已设定隐向量长度为10）， x t x_t xt​为当前状态的输入（长度为5），那么 [ h t − 1 , x t ] [h_{t-1},x_t] [ht−1​,xt​]的长度就是10+5=15了， W f W_f Wf​和 b f b_f bf​为该层的参数。 该层输出是中间隐向量的长度(10)，经过 σ \sigma σ激活前后的长度不变，只需要考虑 σ \sigma σ里面的操作得到10维特征即可。 [ h t − 1 , x t ] [h_{t-1},x_t] [ht−1​,xt​]是(1,15)的向量，与 W f W_f Wf​相乘得到(1,10)的向量，根据矩阵相乘规律，得到 W f W_f Wf​是(15,10)的矩阵，得到(1,10)矩阵后，与该门层偏置相加，偏置也应该有相同的形状，即 b f b_f bf​也是(1,10)的矩阵。 即该层参数个数为： N e u r o n s 1 = 15 × 10 + 10 × 1 = 160 Neurons_1=15×10+10×1=160 Neurons1​=15×10+10×1=160

（1）确定更新信息过程 可以看到，这里公式和前面的一样， σ \sigma σ和 t a n h tanh tanh都是激活函数，不影响参数个数。 同理这个过程的参数个数为： N e u r o n s 2 = 2 × （ 15 × 10 + 10 × 1 ） = 320 Neurons_2=2×（15×10+10×1）=320 Neurons2​=2×（15×10+10×1）=320 （2）更新过程 公式中的四个值，均是前面计算得到的结果，因此该过程没有参数需要学习。

一样的公式，参数个数一样，即： N e u r o n s 3 = 15 × 10 + 10 × 1 = 160 Neurons_3=15×10+10×1=160 Neurons3​=15×10+10×1=160

把上面公式总结起来，就是该LSTM的神经元个数了： N e u r o n s a l l = N e u r o n s 1 + N e u r o n s 2 + N e u r o n s 3 = 160 + 320 + 160 = 640 Neurons_{all}=Neurons_1+Neurons_2+Neurons_3=160+320+160=640 Neuronsall​=Neurons1​+Neurons2​+Neurons3​=160+320+160=640 一般化：假设你一个样本的特征长度为n，结果该LSTM得到的长度为m，就可以这样计算参数个数： N e u r o n s a l l = 4 × ( ( n + m ) × m + m ) Neurons_{all} = 4×((n+m)×m+m) Neuronsall​=4×((n+m)×m+m)