相关疑难解决方法(0)

在https://keras.io/layers/recurrent/ 上，我看到 LSTM 层有 akernel和 a recurrent_kernel。它们的含义是什么？根据我的理解，我们需要 LSTM 单元的 4 个门的权重。但是，在 keras 实现中，kernel形状为 (input_dim, 4*units)，recurrent_kernel形状为 (units, 4*units)。那么，他们都以某种方式实现了门吗？

我可以理解如何乘以密集层权重以获得预测输出，但如何解释 LSTM 模型中的矩阵？
这里有一些玩具示例（不介意拟合，这只是矩阵乘法）

密集示例：

from keras.models import Model 
from keras.layers import Input, Dense, LSTM
import numpy as np
np.random.seed(42)

X = np.array([[1, 2], [3, 4]])

I = Input(X.shape[1:])
D = Dense(2)(I)
linear_model = Model(inputs=[I], outputs=[D])
print('linear_model.predict:\n', linear_model.predict(X))

weight, bias = linear_model.layers[1].get_weights()
print('bias + X @ weights:\n', bias + X @ weight)

输出：

linear_model.predict:
 [[ 3.10299015  0.46077788]
 [ 7.12412453  1.17058146]]
bias + X @ weights:
 [[ 3.10299003  0.46077788]
 [ 7.12412441  1.17058146]]

LSTM 示例：

X = X.reshape(*X.shape, 1)
I = Input(X.shape[1:]) …