从网上看到了这个图，就清晰多了， 绿色的圈圈就是input_size，也就是词向量的维度。（这里其实不太对 ，因为要分词，显然湖人是个名字，所以湖人应该是连在一起的）。output_size和hidden_size是没有关系的，但是和hidden有关系，在hidden里做了降维提取特征这个手段。图中有4个小图片，就是4个time_step, (!很多人会把time_step和hidden_size

先加载了一个预训练模型，这里的预训练模型输出的肯定是个tuple（之前犯了错，想看看究竟是什么东西，于是就size了一下发现出错，原来是tuple的原因），这里只需要知道预训练bert模型的输出的第一个列表也就是embed_x = self.bert(x)[0]是词向量，这里的词向量的维度是不能超过768的，因为这个模型最大就是768维的词向量，如果用更好的预训练模型比如roberta之类的会到1

4.batch_first：默认为False，在制作数据集和数据集载入的时候，有个参数叫batch_size，也就是一次输入几个数据，lstm的输入默认将batch_size放在第二维，当为True的时候，则将batch_size放在第一维。1.input_size：输入的特征维度，一般来说就是字向量的维度，比如如果用bert(base)的话，那么输入的维度input_size=768。3.num