Keras构建LSTM网络时的输入维度问题——可参考博客梳理

keras中的LSTM层:

keras.layers.LSTM(units, activation='tanh', recurrent_activation='sigmoid', use_bias=True, kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal', bias_initializer='zeros', unit_forget_bias=True, kernel_regularizer=None, recurrent_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, recurrent_constraint=None, bias_constraint=None, dropout=0.0, recurrent_dropout=0.0, implementation=2, return_sequences=False, return_state=False, go_backwards=False, stateful=False, unroll=False)

1. units参数的理解
   首先要对这个参数有一个正确的理解，总体而言它指的是一个LSTM Cell内部的神经元数目。不要与时间步数混淆。具体解释可参考下面两篇博文。
   （1）keras中LSTM的units是什么意思
   （2）Keras中的LSTM
2. 关于输入shape解释，强推下面第一篇博文，解释的相当简洁明白。
   （1）keras：4)LSTM函数详解
3. 如果你还是有些不太懂，可以看一下面三篇博文（可按从上至下的顺序查看），其中第二篇和第三篇比较长，有一些其他内容，但第二篇我觉得说的还挺好的。
   （1）[LSTM学习笔记2]使用Keras开发LSTM
   （2）Keras LSTM教程
   （3）一文学会如何在Keras中开发LSTMs（附代码）
4. 关于LSTM网络后面使用TimeDistributed层封装器，可参考下面这篇博文。
   （1）如何在长短期记忆(LSTM)网络中利用TimeDistributed层—python语言
   此外，理解的过程中，可以参看下面这张图帮助理解（出自上面第3点中的第二篇）。
   
5. 关于双向RNN的理解，可以参看下面这篇博文。
   （1）使用Keras进行深度学习：（五）RNN和双向RNN讲解及实践
6. 对于Epoch、Iteration、Batchsize的正确理解，如果想再看一看，可以参考下面的这篇博客。
   （1）神经网络中的Epoch、Iteration、Batchsize

最后

以上就是开放天空为你收集整理的【Keras】Keras构建LSTM网络时的输入维度问题——可参考博客梳理Keras构建LSTM网络时的输入维度问题——可参考博客梳理的全部内容，希望文章能够帮你解决【Keras】Keras构建LSTM网络时的输入维度问题——可参考博客梳理Keras构建LSTM网络时的输入维度问题——可参考博客梳理所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。