torch.nn.LSTM 是 PyTorch 提供的一个高级封装，用于构建长短时记忆网络（LSTM）。相比手动实现，torch.nn.LSTM 更高效且支持批量处理、双向 LSTM、多层 LSTM 等功能，适合大多数实际应用。
LSTM基本原理
门控机制（Gating Mechanism）是深度学习中常见的一种设计，用于控制信息的流动或选择性更新。门控机制最初出现在循环神经网络（RNN）的改进模型中，如 长短时记忆网络（LSTM） 和 门控循环单元（GRU），目的是解决 RNN 的梯度消失和梯度爆炸问题。此外，门控机制也被广泛应用于注意力机制、变分自编码器等模型中。
门控机制的核心是通过一些“门”（通常是使用 sigmoid 激活函数的神经网络层）来控制信息的传递和过滤。这些门由数据学习得来，并根据输入动态调整权重。
- 输入门：决定当前输入信息有多少需要被加入到模型的状态中。
- 遗忘门：决定之前的状态信息有多少需要被丢弃。
- 输出门：决定最终输出的信息。
在 LSTM 中，这些门的具体公式如下：
