LSTM(units,input_shape(3,1)),這裏的units指的是cell的個數麼？如果是，按照LSTM原理這些cell之間應該是無連接的，那units的多少其意義是什麼呢，是不是相當於MLP裏面對應隱層的神經元個數，只是爲了擴展系統的輸出能力？
可以看到中間的 cell 裏面有四個黃色小框，你如果理解了那個代表的含義一切就明白了，每一個小黃框代表一個前饋網絡層，對，就是經典的神經網絡的結構，num_units就是這個層的隱藏神經元個數，就這麼簡單。其中1、2、4的激活函數是 sigmoid，第三個的激活函數是 tanh。
另外幾個需要注意的地方：
1、 cell 的狀態是一個向量，是有多個值的。。。一開始沒有理解這點的時候怎麼都想不明白
2、 上一次的狀態 h(t-1)是怎麼和下一次的輸入 x(t) 結合（concat）起來的，這也是很多資料沒有明白講的地方，也很簡單，concat， 直白的說就是把二者直接拼起來，比如 x是28位的向量，h(t-1)是128位的，那麼拼起來就是156位的向量，就是這麼簡單。。
3、 cell 的權重是共享的，這是什麼意思呢？這是指這張圖片上有三個綠色的大框，代表三個 cell 對吧，但是實際上，它只是代表了一個 cell 在不同時序時候的狀態，所有的數據只會通過一個 cell，然後不斷更新它的權重。
4、那麼一層的 LSTM 的參數有多少個？根據第 3 點的說明，我們知道參數的數量是由 cell 的數量決定的，這裏只有一個 cell，所以參數的數量就是這個 cell 裏面用到的參數個數。假設 num_units 是128，輸入是28位的，那麼根據上面的第 2 點，可以得到，四個小黃框的參數一共有 （128+28）*（128*4），也就是156 * 512，可以看看 TensorFlow 的最簡單的 LSTM 的案例，中間層的參數就是這樣，不過還要加上輸出的時候的激活函數的參數，假設是10個類的話，就是128*10的 W 參數和10個bias 參數
5、cell 最上面的一條線的狀態即 s(t) 代表了長時記憶，而下面的 h(t)則代表了工作記憶或短時記憶