在使用双向LSTM时，其输出由两部分组成：正向LSTM和反向LSTM的输出。对于每个时间步，正向LSTM和反向LSTM都会输出一个隐藏状态和一个单元状态。因此，总共会有4个输出。

为了理解这些输出的含义，我们可以使用以下代码示例：

import tensorflow as tf
from tensorflow.keras.layers import Bidirectional, LSTM

# 构建双向LSTM模型
model = tf.keras.Sequential()
model.add(Bidirectional(LSTM(64, return_sequences=True), input_shape=(None, 10)))

# 输入一个10维度的向量序列，输出每个时间步的隐藏状态和单元状态
x = tf.random.normal((1, 5, 10))
y = model(x)

# 输出维度为(1, 5, 128)，其中128 = 2 * 64
print(y.shape)

# 分别获取正向LSTM和反向LSTM的输出
forward_output, backward_output = tf.split(y, 2, axis=-1)

# 获取每个时间步的隐藏状态和单元状态
forward_hidden_state = forward_output[:, :, :64]
forward_cell_state = forward_output[:, :, 64:]
backward_hidden_state = backward_output[:, :, :64]
backward_cell_state = backward_output[:, :, 64:]

通过上述代码，我们可以得到双向LSTM的输出，并分别获取正向LSTM和反向LSTM的输出。最终，我们可以将每个时间步的输出进行切片，获取隐藏状态和单元状态。具体来说，前64维是隐藏状态，后64维是单元状态。

因此，对于输出长度为5的双向LSTM模型，其输出分别为：

• forward_hidden_state：正向LSTM的隐藏状态，维度为(1, 5, 64)
• forward_cell_state：正向LSTM的单元状态，维度为(1, 5, 64)
• backward_hidden_state：反向LSTM的隐藏状态，维度为(1, 5, 64)
• backward_cell_state：反向LSTM的单元状态，维度为(1, 5, 64)