我已经阅读了很多关于这一点的帖子。它们彼此不一致，每个答案似乎都有不同的解释，所以我想根据我对所有答案的分析来提问。
正如Keras RNN文档所述，输入形状始终采用此格式(batch_size, timesteps, input_dim)。我对此感到有点困惑，但我想，不确定，input_dim始终为1而timesteps取决于您的问题（也可能是数据维度）。这大致是正确的吗？
这个问题的原因是我在尝试将input_dim的值更改为我的数据集维度时总是出错（因为input_dim听起来像!!）所以我假设{{ 1}}一次表示LSTM的输入向量的形状。我错了吗？
input_dim谢谢！
答案 0 :(得分：2)
实际上，input_dim一次是输入向量的形状。换句话说，input_dim是输入features的编号。
假设您有10个序列，每个序列有200个时间步长，并且您只测量温度。然后你有一个功能：
input_shape = (200,1) - 请注意，此处忽略批量大小（序列数）batch_input_shape = (10,200,1) - 仅在特定情况下，例如stateful = True，您需要批量输入形状。 现在假设您不仅要测量温度，还要测量压力和体积。现在你有三个输入功能：
input_shape = (200,3) batch_input_shape = (10,200,3) 换句话说，第一个维度是不同序列的数量。第二个是序列的长度（沿时间有多少个度量）。最后一次是每次有多少变量。