关于LSTM及RNN的基础知识以及相关的数学推导这篇博客介绍的很好，其中还包括神经网络的其他基础内容。
RNN循环神经网络：https://www.zybuluo.com/hanbingtao/note/541458
LSTM长短时记忆网络：https://zybuluo.com/hanbingtao/note/581764
在这篇博客（Tensorflow实例：利用LSTM预测股票每日最高价）：http://blog.csdn.net/mylove0414/article/details/55805974中对如何使用Tensorflow构建LSTM有所介绍。
这类问题解决的步骤：
1、训练，测试数据处理
将数据从csv或者txt文件中读取，利用numpy工具转换成特定的格式，需要特别注意矩阵的维度信息
2、构建神经网络
1）、调整输入数据的维度，设定batch_size,time_step,input_size;
这三个参数，关于batch_size，暂时理解为每次喂多少组数据，比方说，训练时可以将一组数据重复喂给神经网络去训练许多次来更新权重，也可以将多组数据喂给神经网络每组只更新一次权重，batch_size的大小与收敛效果相关
time_step是与RNN相关的一个重要参数，它指神经网络循环的深度，简单理解为RNN展开后宽度，在理解一个神经网络时，可以按左边的结构去想
Input_size指训练数据的维数
2）、设置BasicLSTMCell,DropoutWrapper,MultiRNNCell
DropoutWrapper主要有两个参数需要设定：input_keep_prob及output_keep_prob，它用于解决过拟合的问题。参考文献：https://arxiv.org/pdf/1409.2329.pdf
介绍DropoutWrapper的博客：http://blog.csdn.net/abclhq2005/article/details/78683656
3）、初始化可用zero_state函数实现
3、构建损失函数与优化目标
4、训练和测试
tf.nn.dynamic_rnn用于训练，训练得到的模型可以使用saver=tf.train.Saver()及saver.save()存储，利用modle=tf.train.latest_checkpoint()和saver.restore()恢复并测试
其他有用的博客包括：
多层LSTM构建：https://zhuanlan.zhihu.com/p/29797089
RNN与LSTM相关资源：http://suanfazu.com/t/rnn-lstm/13587/1
