RNN和LSTM数据是如何喂入的

刚开始接触自然语言处理的时候对于rnn已经sltm倒是是如何训练的一值一知半解，在看了很多知乎大神的讲解，再此写下了我的感悟，如有错误，希望即使指正。

Recurrent NNs，一般看的最多的图是这个：

但是这个图对初学者相当不太友好。个人认为，目前所有的关于描述RecurrentNNs的图都画得不好，不够明确，里面的细节丢失了。（事实上里面一个"A"仅仅表示了一层的变换。）

我在网上找到了一个图能够比较详细的展示数据是如何喂给rnn的

待我用一个例子好好讲解在自然语言中，rnn是如何训练的
比如这里有一句话
sentence=“我爱我的国”
进行句字的分词后是：
我 爱 我的 国
可以表示为4个n维的词向量，这里n我用8表示

这里有四个时间步，每个时间步分别喂入我 爱 我的 国 四个词向量
这就是我对rnn循环神经网络是如何训练的给出的自己的理解

接下来讲讲sltm是如何训练的

如同一个细胞表示一个时间步，每一个时间步里面有四层网络结构，每个时间步都可分别喂入一个词向量，如图有三个网络结构我们可以喂入三个词向量，打个比方如 我 爱 中国三个词向量

在tensorflow中对于tf.nn.rnn_cell.BasicLSTMCell参数n_hidden的理解很多人可能都不太理解，在此我也给出了我的见解。https://www.cnblogs.com/wushaogui/p/9176617.html我是在这篇文章中领悟出来的的什么是n_hidden，比如我们的每个lstm输出的结果的维度可以称为n_hidden,如图：

给一个stlm喂入的数据包括之前h（t-1）和x（t），其中h（t-1）是10维的，x（t）是5维的，如果我们的n_hidden设置为10，那么我们输出的f（t）就是10味的，我们得到的结果也是10维的。在比如你输进去的数据是（batch_size,time_steep,6),这表示每批次为batch_size,有time_steep个lstm，输入的x（t）是6维的，当n_hidden设置为10时，你得到的结果为（batch_size,time_steep,10）

rnn的dropout

如图表示3层，6时间步的lstm或rnn，共18个单位
Dropout只能是层与层之间（输入层与LSTM1层、LSTM1层与LSTM2层，LSTM2层与LSTM3层）的Dropout；同一个层里面，T时刻与T+1时刻是不会Dropout的。