LSTM的神经元个数
1. LSTM简单介绍
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()和前一个时刻输出(
)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。
2. 简单假设样例
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：
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。
3.神经元分析
3.1 忘记门层
图中公式的是上一个状态的隐向量（已设定隐向量长度为10），
为当前状态的输入（长度为5），那么
的长度就是10+5=15了，
和
为该层的参数。
该层输出是中间隐向量的长度(10)，经过激活前后的长度不变，只需要考虑
里面的操作得到10维特征即可。
是(1,15)的向量，与
相乘得到(1,10)的向量，根据矩阵相乘规律，得到
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
也是(1,10)的矩阵。
即该层参数个数为：
3.2 细胞状态
（1）确定更新信息过程
可以看到，这里公式和前面的一样，和
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：
（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。
3.3 输出层
一样的公式，参数个数一样，即：
3.4 总结
把上面公式总结起来，就是该LSTM的神经元个数了：
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：
