我研究 LSTM 已经有一段时间了。我高度理解一切是如何运作的。但是，要使用 Tensorflow 来实现它们，我注意到BasicLSTMCell需要许多单位（即num_units）参数。
从对 LSTM 的这个非常彻底的解释中，我收集到单个LSTM 单元是以下之一
这实际上是一个 GRU 单元。
我假设 的参数num_units是BasicLSTMCell指我们想要在一个层中相互连接的数量。
这就留下了一个问题——在这种情况下，什么是“细胞”？“细胞”是否等同于正常前馈神经网络中的一层？
不幸的是，术语不一致。num_units在 TensorFlow 中是隐藏状态的数量，即您给出的方程式
此包中的细胞定义与文献中使用的定义不同。在文献中，单元是指具有单个标量输出的对象。此包中的定义是指此类单元的水平阵列。
“LSTM 层”可能更明确，例如：
def lstm_layer(tparams, state_below, options, prefix='lstm', mask=None):
nsteps = state_below.shape[0]
if state_below.ndim == 3:
n_samples = state_below.shape[1]
else:
n_samples = 1
assert mask is not None
[…]
大多数 LSTM/RNN 图只显示隐藏单元，但从不显示这些单元的单元。因此，混乱。每个隐藏层都有隐藏单元，其数量与时间步数一样多。此外，每个隐藏单元都由多个隐藏单元组成，如下图所示。因此，RNN中隐藏层矩阵的维数为（时间步数，隐藏单元数）。
尽管这个问题与我在这个答案中的回答几乎相同，但我想在图表中说明这个问题，这在今天的 seq2seq 模型中也让我有些困惑（感谢@Franck Dernoncourt 的回答）。在这个简单的编码器图中：
上面的每个都是不同时间步长中的相同单元格（单元格为 GRU 或 LSTM 与您的问题中的单元格相同），并且单元格中的权重向量（不是偏差）的大小相同（num_units/ num_hidden或state_size 或 output_size） .
RNN 是一种特殊类型的图形模型，其中节点形成有向列表，如本文第 4 节所述：用于结构分类的监督神经网络。我们可以认为是num_unitsCRF 中的标签数量（尽管 CRF 是无向的），并且矩阵（）在所有时间步中都是共享的，就像 CRF 中的转移矩阵一样。
在keras.layers.LSTM(units, activation='tanh', ....)中， 是units指隐藏状态的维度或长度或传递给下一个 LSTM 单元/单元的激活向量的长度 - 下一个 LSTM 单元/单元是“上面的绿色图片，带有来自http://的门等colah.github.io/posts/2015-08-Understanding-LSTMs/
下一个 LSTM 单元/单元（即来自http://colah.github.io/posts/2015-08-Understanding-LSTMs/的带有门等的绿色框）与中的units不同keras.layers.LSTM(units, activation='tanh', ....)
units有时也latent dimensions称为. 下面是unitsLSTM参数的详细解释：