参数详解
nn.LSTM是pytorch中的模块函数，调用如下：
torch.nn.lstm(input_size,hidden_size,num_layers,bias,batch_first,dropout,bidirectional)
详细介绍一下参数：
input_size：表示的是输入的矩阵特征数，或者说是输入的维度；
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：lstm 隐层的层数，默认为1；
bias：隐层状态是否带 bias，默认为 true；
batch_first：True 或者 False，如果是 True，则 input 为(batch, seq, input_size)，默认值为：False（seq_len, batch, input_size）
dropout：默认值0，除最后一层，每一层的输出都进行dropout；
bidirectional：如果设置为 True, 则表示双向 LSTM，默认为 False。
输入输出
nn.LSTM中输入与输出关系为output, (hn, cn) = lstm(input, (h0, c0))，输入输出格式如下：
##输入数据格式：
input(seq_len, batch, input_size)
h0(num_layers * num_directions, batch, hidden_size)
c0(num_layers * num_directions, batch, hidden_size)
##输出数据格式：
output(seq_len, batch, hidden_size * num_directions)
hn(num_layers * num_directions, batch, hidden_size)
cn(num_layers * num_directions, batch, hidden_size)
input (seq_len, batch, input_size)，seq_len表示每个batch输入多少数据，batch表示把数据分成了batch批,input_size为样本输入维度。
output(seq_len, batch, hidden_size * num_directions)，output是一个三维张量，第一维表示序列长度，第二维表示数据批次的多少batch，即数据分为几批送进来，第三维hidden_size隐藏层大小，双向则二倍，单向则等价于隐藏层大小。
hn是一个三维张量，第一维是num_layers*num_directions，num_layers是我们定义的神经网络的层数，num_directions表示是否为双向LSTM；第二维表示一批的样本数量；第三维表示隐藏层的大小。
c_n与h_n一致。