LSTM自动编码器中的输入数据减少了多少

Question

问题

1. 在LSTM自动编码器中，我的输入数据（59个特征）在通常位于编码器和解码器中间的潜矢量中减少了多少？

2. 作者为什么在编码阶段的中间将特征号从5增加到16。下面的LSTM自动编码器结构图将更详细地描述这个问题。

我的问题基于文章LSTM Autoencoder for Extreme Rare Event Classification in Keras。您可以查看this github repository中的代码。请参考这些资源以更好地了解我的问题。

问题的详细信息

1. 我的自动编码器模型如下：

lstm_autoencoder = Sequential()

# Encoder
lstm_autoencoder.add(LSTM(timesteps, activation='relu', input_shape=(timesteps, n_features), return_sequences=True))
lstm_autoencoder.add(LSTM(16, activation='relu', return_sequences=True))
lstm_autoencoder.add(LSTM(1, activation='relu'))
lstm_autoencoder.add(RepeatVector(timesteps))

# Decoder
lstm_autoencoder.add(LSTM(timesteps, activation='relu', return_sequences=True))
lstm_autoencoder.add(LSTM(16, activation='relu', return_sequences=True))
lstm_autoencoder.add(TimeDistributed(Dense(n_features)))

lstm_autoencoder.summary()

1. 输入数据的形状为X_train_y0_scaled.shape = (11692,5,59)。这意味着我们有11692批次。每个批次由5行和59列组成，并且由于该数据是时间序列数据，因此意味着每5天收集59个特征。

2. 自动编码器模型的摘要如下：

-另一个问题：我不明白为什么这些代码的作者将功能编号从5（在“ lstm_16”层中）增加到16（在“ lstm_17”层中）。
-特征的原始数量是59，因此在第一层中，特征数量从59减少到了5。但是在减小尺寸之后，为什么有人要在编码阶段增加尺寸？！

1. 很容易看出，如果它是完全连接的自动编码器，则在潜矢量中输入数据的形状会减小多少。例如，在下面的图片中，10节点长的输入数据被简化为3节点长的潜矢量。

   

2. 但是，在LSTM自动编码器中，我不清楚将59个特征长向量减少到多长时间。 The layer lstm_18仅1个节点，而repeat vector仅（5,1）。这是否意味着将59个特征的长向量简化为1个节点的长向量？