LSTM层

1 常见参数

model.add(LSTM(units, #输出的大小（神经元个数）
                activation=None, #激活函数
                use_bias=True, #是否添加偏置
                kernel_initializer='glorot_uniform', #权重矩阵初始化
                bias_initializer='zeros', #偏置初始化
                kernel_regularizer=None, #权重矩阵的正则函数
                bias_regularizer=None,#偏置的的正则函数
                return_sequences=False )

当LSTM层作为输入层时需要添加 input_shape代表输入数据的形状（即[timesteps,fearures])，batchsize不显示，即实际LSTM层输入数据为三维数据，[batchsize,timesteps,fearures]。

return_sequences=False：LSTM层输出单个 hidden state值，即输出的timesteps=1

return_sequences=True：LSTM层输出全部time step 的 hidden state值，即保留输入的timesteps

2 input_shape=(timesteps,fearures)

timesteps：时间步，n个时间步代表一组样本中有n个时间步；

fearures：特征点，n个特征表示一个时间步可以观察到n个特征；

举例输入数据X=[[[10] [20] [30]]   输出数据y=[40 50 60 70 80 90]，
                              [[20] [30] [40]]
                              [[30] [40] [50]]
                              [[40] [50] [60]]
                              [[50] [60] [70]]
                              [[60] [70] [80]]] 

上面X的shape是(6,3,1)，表示六个样本，每个样本中有三个观察点，每个观察点可以得到一个特征。当我们想要用X的一组样本（如[[10] [20] [30]）来预测y的一个样本（40）时，样本输入数据的shape是(3,1)，即input_shape=(3,1)。

3 LSTM层参数计算

from keras.layers import LSTM
from keras.models import Sequential
model=Sequential()
model.add( LSTM(10,input_shape=(13,5)))
model.summary()

参数公式：para=4×(输出×(输出+输入+1))

即para=4×(10×(10+5+1))=640