LSTM单元格输入矩阵尺寸

Question

我试图用numpy来构建一个LSTM来尝试并了解最新情况，但是我对LSTM矩阵如何工作的理解遇到了问题。我从RNN的http://colah.github.io/posts/2015-08-Understanding-LSTMs/

找到了这张图片

根据我对RNN的理解，x _t 是用重量矩阵生成的点，我们称之为W _x，h 和h _t-1 是用权重矩阵W _h，h 生成的点，结果汇总在一起：

这是有道理的，因为x _t 的形状是（b，d），其中b是批量大小，d是维度，W _x，h 是形状（d，h）因此得到的基质将具有形状（b，h）。

类似地，h _t-1 具有形状（b，h）和W _h，h 具有形状（h，h），从而产生尺寸的矩阵（ b，h）也。因此，将这些相加在一起将导致形成（b，h）形状的矩阵，这是完美的，因为它与h _t-1 的形状相同。

这是我遇到问题的地方，看看这个图，也来自http://colah.github.io/posts/2015-08-Understanding-LSTMs/

事情开始没有多大意义。如果我们看一下等式

我知道堆叠h _t-1 和x _t 并使用W _f 进行点积与分裂完全相同W _f 分成两个较小的矩阵并做与上面RNN相同的事情，问题在于尺寸。 x _t 的形状是（b，d），h _t-1 的形状是（b，h）。为了使它们彼此叠加，h必须等于d，但情况并非如此。

因此，假设我对x _t 和h _t-1 的形状有误，我猜我们需要做点积在进入细胞之前，x _t 的形状与h _t-1 的形状相同（均为（b，h））。但即便如此，我们遇到问题，通过堆叠两个矩阵，我们最终得到一个（2b，h）矩阵，不幸的是我们不能通过任何权重矩阵对这个矩阵进行积分产生（b，h）矩阵，因此输入h _{t + 1} 将具有形状（2b，h），因此逐渐增加此向量中的行数将随着更多输入的增加而增加。

我的问题是我的理解有什么问题。看看：https://www.quora.com/In-LSTM-how-do-you-figure-out-what-size-the-weights-are-supposed-to-be看来我在传入lstm单元之前做点积的假设是正确的，但由于某种原因，这个人说堆叠（b，h）矩阵后会产生一个（b，h）矩阵并没有多大意义。