参考:Keras-递归层Recurrent官方说明

参考:Keras-Bidirectional包装器官方说明

LSTM(units=32, input_shape=(10, 64))

  • units=32:输出神经元个数
  • input_shape=(10, 64):输入数据形状,10 代表时间序列的长度,64 代表每个时间序列数据的维度

LSTM(units=32, input_dim=64, input_length=10)

  • units=32:输出神经元个数
  • input_dim=64:每个时间序列数据的维度
  • input_length=10:时间序列的长度

☀☀☀<< 举例 >>☀☀☀

# as the first layer in a Sequential model
model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
# now model.output_shape == (None, 10, 32)
# note: `None` is the batch dimension.

# the following is identical:
model = Sequential()
model.add(LSTM(32, input_dim=64, input_length=10))

# for subsequent layers, not need to specify the input size:
model.add(LSTM(16))

  

  • return_sequences:布尔值,默认False,控制返回类型。若为True则返回整个序列,否则仅返回输出序列的最后一个输出

keras.layers.wrappers.Bidirectional(layer, merge_mode='concat', weights=None)

  双向RNN包装器 

  参数

  • layer:Recurrent对象
  • merge_mode:前向和后向RNN输出的结合方式,为sum,mul,concat,ave和None之一,若设为None,则返回值不结合,而是以列表的形式返回

☀☀☀<< 举例 >>☀☀☀

model = Sequential()
model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5, 10)))
model.add(Bidirectional(LSTM(10)))
model.add(Dense(5))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop')