keras.layers.recurrent.LSTM(units, activation='tanh', recurrent_activation='hard_sigmoid', use_bias=True, kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal', bias_initializer='zeros', unit_forget_bias=True, kernel_regularizer=None, recurrent_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, recurrent_constraint=None, bias_constraint=None, dropout=0.0, recurrent_dropout=0.0)
轉載：https://blog.csdn.net/jiangpeng59/article/details/77646186
核心參數
units：
輸出維度
input_dim：
輸入維度，當使用該層為模型首層時，應指定該值（或等價的指定input_shape)
return_sequences：
布爾值，默認False，控制返回類型。若為True則返回整個序列，否則僅返回輸出序列的最后一個輸出
input_length：
當輸入序列的長度固定時，該參數為輸入序列的長度。當需要在該層后連接Flatten層，然后又要連接Dense層時，需要指定該參數，否則全連接的輸出無法計算出來
輸入shape
形如（samples，timesteps，input_dim）的3D張量
輸出shape
如果return_sequences=True：返回形如（samples，timesteps，output_dim）的3D張量否則，返回形如（samples，output_dim）的2D張量
備注：
1.輸入和輸出的類型
相對之前的tensor，這里多了個參數timesteps.舉個栗子，假如輸入100個句子，每個句子由5個單詞組成，每個單詞用64維詞向量表示。那么samples=100，timesteps=5，input_dim=64，可以簡單地理解timesteps就是輸入序列的長度input_length(視情而定).
2.units
假如units=128，就一個單詞而言，可以把LSTM內部簡化看成Y=X1×64W64×128 ，X為上面提及的詞向量比如64維，W中的128就是units，也就是說通過LSTM把詞的維度由64轉變成了128.
3.return_sequences
我們可以把很多LSTM層串在一起，但是最后一個LSTM層return_sequences通常為False，具體看下面的栗子:
Sentence: you are really a genius
model = Sequential() model.add(LSTM(128, input_dim=64, input_length=5, return_sequences=True)) model.add(LSTM(256, return_sequences=False))
(1)我們把輸入的單詞，轉換為維度64的詞向量，小矩形的數目即單詞的個數input_length
(2)通過第一個LSTM中的Y=XW，這里輸入為維度64，輸出為維度128，而return_sequences=True，我們可以獲得5個128維的詞向量V1’..V5’
(3)通過第二個LSTM，此時輸入為V1’..V5’都為128維，經轉換后得到V1”..V5”為256維，最后因為return_sequences=False，所以只輸出了最后一個紅色的詞向量