keras lstm 层理解

 最近一直在看 keras 的循环神经网络的lstm层。看了官方的document，和一些小伙伴的文章，一直都没有特别清楚。
 今天看了这篇 文章，对RNN 有了一定的了解。
下面我以Nicholas_Jela这篇文章的代码 链接 为案例分析LSTM 层参数的设置

def build_model():
    # input_dim是输入的train_x的最后一个维度，train_x的维度为(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

 下面三行代码是等价的

1. 输入维度   input_dim=1
2. 输出维度   output_dim=6
3. 滑动窗口  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，可不用输入，实际上数据再输入前，已经被加工成三维数组，如下图，train_x 是 106*10*1,的三维数组

    ########################################################################
    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))
    ########################################################################

代码下载