LSTM单元的定义包括4次矩阵乘法操作，其中输入和输出各有4次。我们可以通过连接4个小矩阵来简化表达式，从而使用单个矩阵乘法（现在矩阵的大小增加了4倍）。
我的问题是：这样做是否提高了矩阵乘法的效率？如果是，为什么？因为我们可以将它们放入连续的内存中吗？还是因为代码更加简洁？
无论是否连接矩阵，我们要乘的项数都不会改变。（因此复杂度不应改变。）所以我想知道为什么我们要这么做。。
下面是pytorch文档中的一段摘录：
我的问题是：这样做是否提高了矩阵乘法的效率？如果是，为什么？因为我们可以将它们放入连续的内存中吗？还是因为代码更加简洁？
无论是否连接矩阵，我们要乘的项数都不会改变。（因此复杂度不应改变。）所以我想知道为什么我们要这么做。。
下面是pytorch文档中的一段摘录：
torch.nn.LSTM(*args, **kwargs)。W_ii, W_if, W_ig, W_io被连接起来。weight_ih_l[k] – the learnable input-hidden weights of the \text{k}^{th}k
th
layer (W_ii|W_if|W_ig|W_io), of shape (4*hidden_size x input_size)
weight_hh_l[k] – the learnable hidden-hidden weights of the \text{k}^{th}k
th
layer (W_hi|W_hf|W_hg|W_ho), of shape (4*hidden_size x hidden_size)
bias_ih_l[k] – the learnable input-hidden bias of the \text{k}^{th}k
th
layer (b_ii|b_if|b_ig|b_io), of shape (4*hidden_size)
bias_hh_l[k] – the learnable hidden-hidden bias of the \text{k}^{th}k
th
layer (b_hi|b_hf|b_hg|b_ho), of shape (4*hidden_size)