LSTM单元结构： LSTM单元由以下几个重要的组件组成：
1. 输入门（Input Gate）：控制是否将新的输入信息纳入到细胞状态中。

2. 遗忘门（Forget Gate）：控制是否将旧的细胞状态保留下来。

3. 细胞状态（Cell State）：负责存储和传递信息。

4. 输出门（Output Gate）：控制最终输出的信息。

步骤1：输入门决定了哪些信息需要更新到细胞状态中。它通过使用Sigmoid激活函数来生成一个0到1之间的值。接下来，将当前的输入和先前的隐藏状态作为输入，通过一个全连接层来计算输入门的输出。

步骤2：遗忘门决定哪些旧的细胞状态需要被保留下来。它也使用Sigmoid激活函数生成一个0到1之间的值，控制旧细胞状态的保留程度。同样，通过一个全连接层计算遗忘门的输出。

步骤3：细胞状态更新根据输入门和遗忘门的输出来更新当前的细胞状态。首先，将输入门的输出乘以当前的输入，得到一个候选细胞状态。然后，将遗忘门的输出与先前的细胞状态相乘，得到需要被遗忘的部分。最后，将两者相加得到新的细胞状态。

步骤4：输出门决定LSTM单元的最终输出。它通过使用Sigmoid激活函数和Tanh激活函数来生成一个0到1之间的值和一个-1到1之间的值。将当前的输入和先前的隐藏状态作为输入，通过两个全连接层分别计算输出门的两个部分的输出。最后，将这两个部分相乘得到最终的输出。

import torch
import torch.nn as nn

# 定义一个简单的LSTM模型
class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size):
        super(LSTMModel, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size)
        
    def forward(self, input):
        output, (hidden, cell) = self.lstm(input)
        return output, hidden, cell

# 创建一个输入序列
input_seq = torch.randn(5, 3, 10)  # 输入序列长度为5，batch大小为3，特征维度为10

# 创建LSTM模型
input_size = 10
hidden_size = 20
model = LSTMModel(input_size, hidden_size)

# 输入序列到LSTM模型中
output_seq, hidden, cell = model(input_seq)

# 打印输出结果
print("Output Sequence:")
print(output_seq)
print("\nHidden State:")
print(hidden)
print("\nCell State:")
print(cell)

class RNNBase(Module):
	...
    def __init__(self, mode, input_size, hidden_size,
                 num_layers=1, bias=True, batch_first=False,
                 dropout=0., bidirectional=False):

input_size – 输入数据的大小，也就是前面例子中每个单词向量的长度
hidden_size – 隐藏层的大小（即隐藏层节点数量），输出向量的维度等于隐藏节点数
num_layers – recurrent layer的数量，默认等于1。
bias – 偏置 Default: True
batch_first – 默认为False，也就是说官方不推荐我们把batch放在第一维，这个CNN有点不同，此时输入输出的各个维度含义为 (seq_length,batch,feature)。当然如果你想和CNN一样把batch放在第一维，可将该参数设置为True。
dropout – 如果非0，就在除了最后一层的其它层都插入Dropout层，默认为0。
bidirectional – 如果为True, 双向LSTM. Default: False