lstm 如何处理与前一层不同数量的特征答案

【问题标题】：How lstm processes a different number of features from the previous layerlstm 如何处理与前一层不同数量的特征
【发布时间】：2020-10-15 11:39:26
【问题描述】：

例如，我们有输出=2 的 LSTM 层和两个输入形状的变体：

(n_samples=1, n_timestep=1, n_features=4)
(n_samples=1, n_timestep=1, n_features=2)

LSTM 如何处理这种不同的数字特征作为输入和常数特征作为输出？

代码示例：

inputs1 = tf.convert_to_tensor(tf.constant([[[0.1,0.2,0.3,0.4]]]), dtype=tf.float32)
##tf.Tensor([[[0.1 0.2 0.3 0.4]]], shape=(1, 1, 4), dtype=float32)


inputs2 = tf.convert_to_tensor(tf.constant([[[0.1,0.2]]]), dtype=tf.float32)
##tf.Tensor([[[0.1 0.2]]], shape=(1, 1, 2), dtype=float32)

output1 = tf.keras.layers.LSTM(2, return_sequences=True)(inputs1)
##tf.Tensor([[[-0.08766557 -0.01480309]]], shape=(1, 1, 2), dtype=float32)

output2 = tf.keras.layers.LSTM(2, return_sequences=True)(inputs2)
##tf.Tensor([[[-0.02775455  0.02273378]]], shape=(1, 1, 2), dtype=float32)

【问题讨论】：

标签： python tensorflow machine-learning keras lstm

【解决方案1】：

它们唯一的区别是您的数据具有的时间步长，由最后一个维度（4 或 2）表示。 LSTM 本身会解开时间步，并在迭代每个时间步时反复计算您的输出值。这就是为什么 LSTM 需要不同长度的输入的原因

【讨论】：

但是timesteps的个数不是最后一个维度，因为最后一个维度是每个timestep的feature个数