【问题标题】：How can a LSTM have an output_dim different than the input_dim of the next layer?LSTM 的 output_dim 如何与下一层的 input_dim 不同？
【发布时间】：2018-08-11 04:59:24
【问题描述】：

我在看这段代码：

model = Sequential()
model.add(LSTM(input_shape = (1,), input_dim=1, output_dim=6, return_sequences=True))
model.add(LSTM(input_shape = (1,), input_dim=1, output_dim=6, return_sequences=False))
model.add(Dense(1))
model.add(Activation('linear'))

第一层怎么会有一个dim=6的输出，然后下一层有一个input_dim=1？

编辑

代码错误，Keras 只是尽力而为，如实际生成的模型所示（查看模型如何与代码不匹配）：

【问题讨论】：

标签： python machine-learning keras lstm keras-layer

【解决方案1】：

这段代码非常混乱，不应该这样写。

在顺序模型中，Keras 仅尊重第一层的input_shape。所有后续层都使用前一层的输出进行初始化，有效地忽略了input_shape 规范。源代码：keras/models.py。在这种情况下，它是(None, None, 6)。

因此模型摘要如下所示：

Layer (type)                 Output Shape              Param #   
=================================================================
lstm_1 (LSTM)                (None, None, 6)           192       
_________________________________________________________________
lstm_2 (LSTM)                (None, 6)                 312       
=================================================================

顺便说一句，keras 会在 LSTM 规范中发出警告，因为 input_dim 已被弃用：

更新您对 Keras 2 API 的 LSTM 调用：LSTM(input_shape=(None, 1), return_sequences=True, units=6)

将您的 LSTM 呼叫更新为 Keras 2 API：LSTM(input_shape=(None, 1), return_sequences=False, units=6)

【讨论】：