Keras LSTM层实现背后的架构是什么？

Question

如何将输入尺寸转换为Keras中LSTM层的输出尺寸？通过阅读Colah的博客文章，似乎"timesteps"（AKA the input_dim或中的第一个值input_shape）的数量应等于神经元的数量，这应等于该LSTM层的输出数量（由该层的units参数描述LSTM） 。

通过阅读这篇文章，我了解了输入形状。我困惑的是Keras如何将输入插入每个LSTM“智能神经元”。

Keras LSTM参考

令我感到困惑的示例代码：

model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
model.add(Dense(2))

由此看来，我认为LSTM层有10个神经元，每个神经元都被喂以长度为64的向量。但是，似乎它有32个神经元，我不知道每个神经元都被喂食什么。我知道，要使LSTM连接到Dense层，我们只需将所有32个输出插入2个神经元的每一个即可。令我感到困惑的是LSTM的InputLayer。

（类似的帖子，但不是我所需要的）

Answer 1

我是对的！该体系结构是10个神经元，每个神经元代表一个时间步。每个神经元都被喂入一个64长度的向量，该向量表示64个特征（input_dim）。

32代表隐藏状态数或“隐藏单位长度”。它表示存在多少隐藏状态，也表示输出尺寸（因为我们在LSTM的末尾输出了隐藏状态）。

最后，来自最后一个时间步的32维输出向量然后被馈送到2个神经元的密集层，这基本上意味着将32个长度的向量插入两个神经元。

阅读更多有用的答案：

• 了解Keras LSTM
• 创建具有N个单元的有状态LSTM层时，我到底要配置什么？
• 用Keras初始化LSTM隐藏状态