?最近一直在看 keras 的循環(huán)神經(jīng)網(wǎng)絡(luò)的lstm層?？戳斯俜降膁ocument，和一些小伙伴的文章，一直都沒(méi)有特別清楚。
?今天看了這篇 文章，對(duì)RNN 有了一定的了解。
下面我以Nicholas_Jela這篇文章的代碼?鏈接?為案例分析LSTM 層參數(shù)的設(shè)置

def build_model():# input_dim是輸入的train_x的最后一個(gè)維度，train_x的維度為(n_samples, time_steps, input_dim)model = Sequential()model.add(LSTM(input_dim=1, output_dim=6, return_sequences=True))#model.add(LSTM(6, input_dim=1, return_sequences=True))#model.add(LSTM(6, input_shape=(None, 1),return_sequences=True))"""#model.add(LSTM(input_dim=1, output_dim=6,input_length=10, return_sequences=True))#model.add(LSTM(6, input_dim=1, input_length=10, return_sequences=True))model.add(LSTM(6, input_shape=(10, 1),return_sequences=True))"""print(model.layers)#model.add(LSTM(100, return_sequences=True))#model.add(LSTM(100, return_sequences=True))model.add(LSTM(100, return_sequences=False))model.add(Dense(output_dim=1))model.add(Activation('linear'))model.compile(loss='mse', optimizer='rmsprop')return model

?下面三行代碼是等價(jià)的

1. 輸入維度 ? input_dim=1
2. 輸出維度 ? output_dim=6
3. 滑動(dòng)窗口 ?input_length=10

#########################################################################model.add(LSTM(input_dim=1, output_dim=6,input_length=10, return_sequences=True))#model.add(LSTM(6, input_dim=1, input_length=10, return_sequences=True))model.add(LSTM(6, input_shape=(10, 1),return_sequences=True))########################################################################

?input_length=10，可不用輸入，實(shí)際上數(shù)據(jù)再輸入前，已經(jīng)被加工成三維數(shù)組，如下圖，train_x 是 106*10*1,的三維數(shù)組

########################################################################model.add(LSTM(input_dim=1, output_dim=6, return_sequences=True))#model.add(LSTM(6, input_dim=1, return_sequences=True))#model.add(LSTM(6, input_shape=(None, 1),return_sequences=True))########################################################################

代碼下載

總結(jié)

以上是生活随笔為你收集整理的keras lstm 层理解的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。