ConvLSTM利用的是Conv2D+LSTM，E3D-LSTM提出的是采取Conv3D+LSTM的结构，处理的问题都是视频预测。
在学习E3D-LSTM文章之前，先看一下C3D，C3D其实就是利用Conv3D的一个CNN的网络架构，主要针对的也是视频的数据集，不过处理的问题是识别和分割方面的。C3D文章主要讲Conv2D在池化卷积过程中会丢失时间信息，作为视频数据集，采用Conv3D主要是将“Frame”当做一维放到了Tensor当中去做卷积。
简单来说就是[B,C,F,H,W]的数据([batch,channel,frame,height,width])对后三维做卷积，卷积核自然就变成三维的卷积核了，C3D还对不同size的卷积核做了对比试验，最后3*3*3的卷积核最优。
回到E3D-LSTM，整体大网络的框架是这样的：
Cell的结构是这样的：
公式：
Cell相当于是除了PredRNN的cell部分，还加了一部分attention（就是Recall这部分公式），这一个cell里面复杂度直接拉满了，下面公式中的Rt It Gt和上面的it gt ft是一套东西，也就是说，每个Cell的输入是三部分：input(也就是公式中的Xt)，hidden(也就是公式中的H^{k}_{t-1}，还有Memory(公式中的M)。
目前光看文章还没看懂是怎么做到预测未来很多时序的，等我看懂代码，再回来把这部分补上。
