Keras LSTM中隐藏态的意义

Question

我刚开始深入学习，这个问题对你来说可能很有趣。但我无法在脑海中想象。这就是为什么我要问这个问题。在

我给一个句子作为向量的LSTM，我认为我有一个句子包含10个单词。然后我把这些句子改成向量，然后交给LSTM。在

LSTM单元的长度应为10。但在大多数教程中，我看到它们添加了128个隐藏状态。我无法理解和想象。这个词用"128-dimensional hidden state"表示LSTM层是什么意思

例如：

X = LSTM(128, return_sequences=True)(embeddings)

这个样子的夏天

^{pr2}$

这里看起来像是增加了10个LSTM单元，但为什么会有128个隐藏状态呢？希望你能理解我的期望。在

Answer 1

简短回答： 如果你对卷积网络比较熟悉，你可以厚的LSTM层的大小（128）相当于一个卷积层的大小。10只表示输入的大小（序列的长度是10）

较长的答案： 您可以查看这篇文章以了解更多细节article about RNNs。在

在左图中，LSTM层用（xt）作为输入，输出为（ht）。反馈箭头表示单元格内有某种内存。在

实际上，在Keras（右图）中，这个模型被“展开”以使整个输入xt与我们的层并行。在

所以当你的总结是： lstm_1（lstm）（无，10128）91648
这意味着您的输入序列是10（x0,x1,x2,...,x9），LSTM的大小是128（128将是输出的ht）的维度