Answers:
我认为您指的是垂直堆叠的LSTM层（假设水平轴是时间轴）。
在那种情况下，堆叠LSTM的主要原因是允许更大的模型复杂性。在简单的前馈网络的情况下，我们堆叠图层以创建输入数据的分层特征表示，然后将其用于某些机器学习任务。堆叠的LSTM也是如此。
除了循环输入外，每个时间步都有一个LSTM。如果输入已经是LSTM层（或前馈层）的结果，则当前LSTM可以创建当前输入的更复杂的特征表示。
现在，在特征输入和LSTM层之间具有前馈层与具有另一个LSTM层之间的区别在于，前馈层（例如，完全连接的层）不会收到来自其先前时间步长的反馈，因此无法说明某些问题。模式。代替使用LSTM（例如，使用堆叠的LSTM表示），可以在每一层描述更复杂的输入模式
来自{1}：
虽然从理论上讲，较深的体系结构还可以带来什么附加功能，但从经验上可以看出，在某些任务上，较深的RNN比较浅的RNN效果更好。特别是，Sutskever等人（2014年）报告说，四层深度架构对于在编码器-解码器框架中实现良好的机器翻译性能至关重要。Irsoy和Cardie（2014）还报告了从单层BI-RNN过渡到多层结构的改进结果。许多其他工作报告使用分层RNN架构的结果，但没有明确地与1层RNN进行比较。
仅供参考：
参考文献：
通过使用LSTM进行序列分类，与增加CNN中的模型容量（如果您熟悉它们）具有相同的效果。因此，您肯定会有所收获，尤其是在数据不足的情况下。
当然，双刃刀也可以使您过度适应并获得较差的性能。就我而言，我从1 LSTM升至2的堆栈，并且得到了即时的改进。