我查看了LSTM层的Keras文档，有关RNN参数的信息如下：
keras.layers.LSTM(units, return_state=True)
参数：
return_state：布尔值。除了输出之外是否返回最后一个状态。
输出形状
if return_state：张量列表。第一个张量是输出。其余的张量是最后的状态，每个状态都有形状（batch_size，units）
这就是关于RNN的return_state的所有信息。作为一个初学者，很难理解究竟是什么意思，剩下的张量是最后的状态，每个状态都有形状（batch_size，units），不是吗？
我知道有细胞状态c和隐藏状态a将被传递到下一个时间步骤。
但是当我进行在线课程的编程练习时，我遇到了这个问题。贝娄是作业的暗示。但我不明白这三种产出意味着什么。
from keras.layers import LSTM
LSTM_cell = LSTM(n_a, return_state = True)
a, _, c = LSTM_cell(input_x, initial_state=[a, c])
有人说，他们分别是（https://machinelearningmastery.com/return-sequences-and-return-states-for-lstms-in-keras/）：
1最后一步的LSTM隐藏状态输出。
2 LSTM隐藏状态输出为最后一个时间步骤（再次）。
3最后一步的LSTM单元状态。
我总是将输出a视为LSTM的隐藏状态输出，c视为单元状态输出。但是这个人说第一个输出是lstm输出，而第二个输出是隐藏状态输出，这与在线课程指令给出的提示不同（因为提示使用第一个输出作为下一个时间步的隐藏状态输出）。
有人能告诉我更多关于此的事吗？
对于更一般的问题，比如在这种情况下，Keras没有给出初学者友好的可理解的文档或示例，如何更有效地学习Keras？
答案 0 :(得分：0)
考虑如何开始LSTM的迭代。您有一个隐藏状态c，一个输入x，但您还需要一个声称的前一个输出h，它与x连接在一起。因此，LSTM需要初始化两个隐藏的张量：c和h。现在h碰巧是前一个状态的输出，这就是你将它作为输入与c一起传递的原因。设置return_state=True后，系统会返回c和h。因此，与输出一起，您将获得3个张量。
答案 1 :(得分：0)
output,h(hidden state),c(memory/ cell state)
以LSTM为例，您可以这样理解：
c(t) depend on c(t-1);
o(t) depend on x(t) and h(t-1);
h(t) depend on o(t) and c(t);