tensorflow.keras lstm 部分参数整理units input_size

参考博客：

(11条消息) 关于LSTM的units参数_LeoRainy的博客-优快云博客_lstm units怎么设置

Keras LSTM的参数input_shape, units等的理解_ygfrancois的博客-优快云博客_keras lstm units

见到过lstm(80)的用法

查到80对应的是units这个参数，由于关于lstm网上的图大多是来自Understanding LSTM Networks -- colah's blog的下面这张图

 所以一开始会以为是这样多个矩阵的连接。注意，这样的理解是错误的。这张图只是为了便于理解lstm cell的工作原理绘制的不同状态cell的图，实际上只有一个cell在不停地更新状态。

对于units的理解，经过查阅博客还有吴恩达老师的讲解后，我认为可以理解为是hidden_state的维度，是lstm cell内部的隐向量的维度，是一个超参数。

还有关于输入维度的参数，官方文档LSTM layer (keras.io)描述如下

• inputs: A 3D tensor with shape [batch, timesteps, feature]

timestep就是lstm考虑要考虑的时间步，拿前几个时间步的信息分析当下的数据。feature就是特征向量的维度，batch就是批次。在我的项目中，我是用前6个交通流数据预测当下的交通流量。我的timestep是6，feature是1，batch就是几千个由六个时间步信息构成的序列，这和我平时理解的32，64这样的批次不太一样，不知道batch是否可以直接当作样本数量。

看到传输入的方法有：

# 1
model = tf.keras.Sequential([
    LSTM(4),
    Dense(1)
])
#将输入x_train reshape成(sample_number, time_step, feature)的形式

model.fit(x_train, y_train,epochs=100)

# 2
# input_dim 是feature的维度
model_input = Input(shape=(time_steps, input_dim))
x = LSTM(64, return_sequences=True)(model_input)
x = Attention(units=32)(x)
x = Dense(1)(x)
model = Model(model_input, x)
model.compile(loss='mae', optimizer='adam')

batch_size可以不定义