我对LSTM处理输入的方式有点困惑。 众所周知，Keras中LSTM模型的输入格式为（batch_size，timesteps，input_dim）。 我的数据是时间序列数据，其中n个时间步长的每个序列被馈入以预测n + 1个时间步长的值。然后，他们如何访问输入？他们处理序列中的每个步骤或同时访问所有步骤？ 当我检查每个LSTM层的参数数量时。它们具有4 * d *（n + d），其中n是输入的维数，d是存储单元的数量。 在我的情况下，我有d = 10，参数的数量是440（没有偏差）。所以这意味着n = 1，所以看起来输入的维度为1 * 1。 然后他们可以自由地访问所有这些。 有人对此有一些想法吗？
答案 0 :(得分：1)
首先，想一下卷积层（它更容易）。
它的参数仅取决于“过滤器大小”，“输入通道”和“过滤器数量”。但从来没有“图像的大小”。
发生这种情况是因为它有点像“行走操作”。在整个图像中应用相同的滤镜组。总操作随着图像的大小而增加，但仅定义过滤器的参数与图像大小无关。 （想象一下用于检测圆形的滤镜，此滤镜不需要更改以检测图像不同部分中的圆圈，尽管它适用于整个图像中的每个步骤）。所以：
使用LSTM图层，会发生类似的事情。这些参数与他们称之为“门”的内容有关。 （Take a look here）
每次迭代都会应用“状态”和“门”，以确定状态将如何变化。
然而，大门不依赖于时间。计算确实是时间迭代，但每次迭代都使用相同的门组。
与卷积层相比：