https://towardsdatascience.com/reading-between-the-layers-lstm-network-7956ad192e58
构建深度神经网络最关键的部分之一是——当数据流经不同的层时，要对其有一个清晰的视图，这些层经历了维度的变化、形状的改变、扁平化和重新塑造……
LSTM Network Architecture for Sentiment Analysis
每层解读：
0) 把单词变为tokens
1）embedding 把每个token变成特定大小的embedding
2）LSTM 由隐藏状态维度和层数决定
3）全连接层
4）激活函数
5）输出
数据：使用IMDB电影评论的数据集；
对数据进行了预处理，使得batch_size=50, 序列长度为200
1 dataiter = iter(train_loader)
2 x, y = dataiter.next()
3 x = x.type(torch.LongTensor)
4 print ('X is', x)
5 print ('Shape of X and y are :', x.shape, y.shape)
从X的形状可以看出，X是一个张量，为50行(=batch size)和200列(=sequence length)。
这个X将作为嵌入层的输入
Embedding layer :
使用torch.nn.Embedding模块作嵌入。它需要两个参数:词汇表大小和嵌入的维数
1 from torch import nn
2 vocab_size = len(words)
3 embedding_dim = 30
4 embeds = nn.Embedding(vocab_size, embedding_dim)
5 print ('Embedding layer is ', embeds)
6 print ('Embedding layer weights ', embeds.weight.shape)
1 embeds_out = embeds(x)
2 print ('Embedding layer output shape', embeds_out.shape)
3 print ('Embedding layer output ', embeds_out)
从嵌入层的输出可以看出，它作为嵌入权值的结果创建了一个三维张量。现在它有50行，200列和30个嵌入维，也就是说，在我们的审查中，我们为每个标记化的单词添加了嵌入维。该数据现在将进入LSTM层
LSTM Layer :
在定义LSTM层时，我们保持Batch First = True和隐藏单元的数量= 512。
1 # initializing the hidden state to 0
2 hidden=None
3 lstm = nn.LSTM(input_size=embedding_dim, hidden_size=512, num_layers=1, batch_first=True)
4 lstm_out, h = lstm(embeds_out, hidden)
5 print ('LSTM layer output shape', lstm_out.shape)
6 print ('LSTM layer output ', lstm_out)
通过查看LSTM层的输出，我们可以看到张量现在有50行，200列和512个LSTM节点。接下来，该数据被提取到全连接层
Fully Connected Layer :
对于全连通层，输入特征数= LSTM中隐藏单元数。输出大小= 1，因为我们只有二进制结果(1/0;正和负)
1 fc = nn.Linear(in_features=512, out_features=1)
2 fc_out = fc(lstm_out.contiguous().view(-1, 512))
3 print ('FC layer output shape', fc_out.shape)
4 print ('FC layer output ', fc_out)
注意，在将lstm输出放入fc层之前，必须将其压平。
1 fc = nn.Linear(in_features=512, out_features=1)
2 fc_out = fc(lstm_out.contiguous().view(-1, 512))
3 print ('FC layer output shape', fc_out.shape)
4 print ('FC layer output ', fc_out)
Sigmoid Activation Layer :
这只是为了将所有的输出值从完全连接的层转换为0到1之间的值
1 sigm = nn.Sigmoid()
2 sigm_out = sigm(fc_out)
3 print ('Sigmoid layer output shape', sigm_out.shape)
4 print ('Sigmoid layer output ', sigm_out)
Final Output :
这包括两个步骤:首先，重塑输出，使rows = batch大小
1 batch_size = x.shape[0]
2 out = sigm_out.view(batch_size, -1)
3 print ('Output layer output shape', out.shape)
4 print ('Output layer output ', out)
第二，正如我们在网络体系结构中看到的那样——我们只希望在最后一个序列之后进行输出(在最后一个时间步之后)
1 print ('Final sentiment prediction, ', out[:,-1])
这些输出来自未经训练的网络，因此这些值可能还不表示任何内容。这只是为了说明，我们将使用这些知识来正确定义模型。