第一步仍然是导入库和数据集。
''' To classify images using a reccurent neural network, we consider every image row as a sequence of pixels. Because MNIST image shape is 28*28px, we will then handle 28 sequences of 28 steps for every sample. '''
这里我们设定了各种参数，此时的n_steps是指按照28个时间点，依次输入数据。因为mnist数据集是28*28的，每次只能输入一行，所以n_input是28，分成28次顺序输入。
y是输出，仍然是一个10维数组。None设为并行数。
注意这里的权值，weights矩阵变成了[n_hidden,n_classes]，前面是指这个RNN一共有多少个隐藏的单元（如下图）：
中间那些绿色的状态，可以看作是隐藏的单元。之后建立一个矩阵，将隐藏单元转换成一个数组。当然再分类问题上，更常见的做法是在RNN上加一层全连接层（就像BP网络一样），在进行输出，在效果上比纯粹进行一次矩阵运算会好一些。
来看网络结构。
tf.unstack() 将给定的R维张量拆分成R-1维张量：将value根据axis分解成num个张量，返回的值是list类型，如果没有指定num则根据axis推断出。在这个李子中，我们通过这个函数将x按照第二维切开来，分成一行一行的，x变成了一个list，每个元素就是一次输出，list的长度就是step数。
BasicLSTMCell()函数中的forget_bias参数，一般设置为1.0。
众所周知，lstm单元有两个输出，一个是h，一个是$s_n$。此处我们将两个豆取回，然后RNN最终输出那个分类，即做了一次线性变换的值。
我们实例化RNN，然后定义cost和optimizer。
通过比较label和输出，来得到一个正确与否的0-1矩阵，之后计算精确度。
最后初始化所有的变量，开始训练。
其中用while循环来控制循环体，将x，y作为feed_dict输入网络，迭代运算损失。
最后进行测试。sess.run()这里表示进行accuracy的计算。