如何清晰地解释Keras中units参数的含义?

你可以(某种程度上)完全按照你对完全连接层的想法来考虑它。单位是神经元。

输出的维度是神经元的数量,就像大多数已知的层类型一样。

在进一步讨论之前,可能有兴趣看一下关于LSTMs、其输入/输出以及stative=true/false的用法的完整解释: Understanding Keras LSTMs . 注意,您的输入形状应该是 input_shape=(look_back, 1) . 输入形状用于 (time_steps, features)

虽然这是一系列完全连接的层:

• 4个单元
• 隐藏层2: 4个单元
• 输出层: 1台

在哪里? input_shape = (batch_size, arbitrary_steps, 3)

• 输出将具有形状:
  • (batch, arbitrary_steps, units) 如果 return_sequences=True
  • (batch, units) 如果 return_sequences=False .
• 内存状态的大小为 units .
• 单位 .

流量:

• 输入n个步骤和3个特性
• 第1层:
  • 对于输入中的每个时间步骤:
    • 在上一步的输出上使用4个循环单位
  • 输出最后一个( )或全部( return_sequences = True )台阶
    • 输出特性=4
• • 与第1层相同
• 第三层:
  • 对于输入中的每个时间步骤:
    • 在上一步的输出上使用1个单位
  • 输出最后一个( return_sequences=假 )或全部( )台阶

单位数是内部向量状态的大小(长度), h 和 c 的 LSTM . 也就是说,无论输入的形状如何,它都是由不同的内核为 i , f ,和 o 小时 和 在链接的帖子中描述。在您的示例中,数据的输入形状

(batch_size, timesteps, input_dim)

将转换为

(batch_size, timesteps, 4)

如果 return_sequences 是真的,否则只有最后一个 小时 会被艾美奖的 (batch_size, 4) . 我建议使用更高的潜在维度,对于大多数问题,可能是128或256。

我会这样说-有4个LSTM“神经元”或“单位”,每个有1个细胞状态和1个隐藏状态的每一个时间段,他们处理。因此,对于1个时间步处理的输入,您将拥有4个单元格状态、4个隐藏状态和4个输出。

实际上正确的说法是-对于一个时间步长的输入,你有一个单元格状态(一个大小为4的向量)和一个隐藏状态(一个大小为4的向量)和一个输出(一个大小为4的向量)。

因此,如果你输入一个20步的时间序列,你将有20个(中间)单元格状态,每个状态的大小为4。这是因为LSTM中的输入是按顺序处理的,一个接一个。同样的,你将有20个隐藏状态,每个大小4。

如果将return_states设置为TRUE,则会得到size=4的最后一个隐藏状态和size 4的最后一个单元格状态。