Keras中LSTM参数的含义

最新推荐文章于 2025-06-03 13:32:03 发布

puredreammer

最新推荐文章于 2025-06-03 13:32:03 发布

阅读量3.1w

点赞数 8

CC 4.0 BY-SA版权

分类专栏：数据挖掘&人工智能

本文链接：https://blog.youkuaiyun.com/puredreammer/article/details/82708981

数据挖掘&人工智能专栏收录该内容

8 篇文章

订阅专栏

本文深入解析了LSTM（长短期记忆）神经网络的核心概念，包括units参数的意义，即输出维度与隐藏神经元个数的关系；input_dim参数，用于设定输入维度；以及return_sequences参数的功能，决定是否返回所有序列状态的输出。通过实例说明了如何调整这些参数以优化模型表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

units:是输出的维度。在下图中，中间的绿色cell 里面有四个黄色小框，每一个小黄框代表一个前馈网络层，对，就是经典的神经网络的结构，num_units就是这个层的隐藏神经元个数，就这么简单。其中1、2、4的激活函数是 sigmoid，第三个的激活函数是 tanh。

参考：https://www.zhihu.com/question/64470274/answer/256379387

units还可以理解为：假如units=128，就一个单词而言，你可以把LSTM内部简化看成 ,X为词向量比如64维,W中的128就是units，也就是说通过LSTM，把词的维度由64转变成了128。

参考：https://blog.youkuaiyun.com/jiangpeng59/article/details/77646186

input_dim:输入维度，如果第一层是LSTM的话，需要显式设定该值。

return_sequences: 如果为True的话，只返回最后一个状态的输出，是一个（samples，output_dim）2D张量，如果是False，则是返回所有序列状态的输出，是一个（samples，timesteps，output_dim）3D张量。

input_shape:形如（samples，timesteps，input_dim）的3D张量，其中samples是样本个数，timesteps是每个样本的状态序列个数，input_dim是每个状态下的特征数，在实体标注任务当中，假如有10000个句子，每个句子由10个词组成，每个词被映射为100维的词向量。那么输出的格式就为（10000，10，100）。也就是说每个样本中的10个词就是一组序列，每个词都和前后的词有关系。