在构建 LSTM 时，我们需要通过以下方式提供输入形状信息：
input_shape = () # a tuple
或者，通过：
input_length = () # an integer
input_dim = () # an integer
我对这两个数量感到有点困惑。它们表明什么？
另外，input_dim是所谓的时间步长吗？
我将尝试尽可能简化输入形状参数：在 LSTM(或一般的 RNN(的情况下，输入形状可以通过以下方式提供：
-
input_shape关键词参数：
input_shape = (input_length, input_dim)其中input_length = 序列长度，input_dim = 特征/变量数。如果未提供这些值，则表示可以预期任何正整数。在这里，您没有提到批量大小，即训练期间权重更新的观察数。例如input_length = 50(这是您的序列长度(input_dim = 10(这是数据中的输入要素数(model.add(LSTM(16, input_shape = (50,10))) -
使用单独的input_dim和input_length参数在这里，您可以分别指定input_dim即数据中的特征数量和input_length即数据中单个观测值的序列长度。例如
model.add(LSTM(16, input_length= 50, input_dim =10)).这相当于上述方式 -
最后，您可以通过batch_input_size参数指定批处理的大小(上面未指定(。如果 LSTM 是有状态的，则必须预先指定批处理大小。batch_input_size = (batch_size，input_length， input_dim(
model.add(LSTM(16,batch_input_size = (None,50,10)))相当于上述两个
model.add(LSTM(16,batch_input_size = (32,50,10)))批大小为 32
我们可以在两个场景中理解这一点，时间序列数据和 NLP。
对于时间序列数据，假设我们有以下数据集，即两周的日间温度。
[23.4, 23.4,22.4,23.4,26.4,24.4,27.4,28.4,21.4,25.4,23.4,23.4,23.4, 24.5]
我们想取 5 天的温度，并想预测第 6 天的温度。在这种情况下，input_length = ()为 5(例如 23.4、23.4、22.4、23.4、26.4(，input_dim = ()为 1(每天的温度值(。
在NLP的情况下，假设句子长度是4，例如"你好吗"，我们的嵌入层的输出是8，那么句子的每个单词将由长度为8的向量表示，因此"hello"将是长度为8的向量，"are"将是向量或长度为8，依此类推。对于此方案，input_length = ()为 4(句子长度(，input_dim =()为 8(嵌入向量的长度(。
有关 LSTM 的详细信息，请参阅 https://www.tensorflow.org/tutorials/structured_data/time_series 以获取时间序列数据。