我在过去一天了解了LSTM，然后我决定看一个使用Keras 创建它的教程。我看了几个教程，它们都有
model = Sequential()
model.add(LSTM(10, input_shape=(1,1)))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
X,y = get_train()
model.fit(X, y, epochs=300, shuffle=False, verbose=0)
然后他们预测使用
model.predict(X, verbose=0)
我的问题是：为了使用 LSTM 预测下一个结果，您是否必须提供先前的预测以及输入和单元状态？
另外，model.add(LSTM(10, input_shape(1,1)) 中的 10 代表什么？
【问题讨论】：
标签： python tensorflow keras lstm
您必须将先前的预测赋予 LSTM 状态。如果你调用 predict ，LSTM 每次都会被初始化，它不会记住之前预测的状态。
通常（例如，如果您使用 lstm 生成文本）您有一个循环，您可以在其中执行以下操作：
# pick a random seed
start = numpy.random.randint(0, len(dataX)-1)
pattern = dataX[start]
print "Seed:"
print "\"", ''.join([int_to_char[value] for value in pattern]), "\""
# generate characters
for i in range(1000):
x = numpy.reshape(pattern, (1, len(pattern), 1))
x = x / float(n_vocab)
prediction = model.predict(x, verbose=0)
index = numpy.argmax(prediction)
result = int_to_char[index]
seq_in = [int_to_char[value] for value in pattern]
sys.stdout.write(result)
pattern.append(index)
pattern = pattern[1:len(pattern)]
print "\nDone."
（从machinelearningmastery.com复制的示例）
重要的是这几行：
pattern.append(index)
pattern = pattern[1:len(pattern)]
在这里，他们将下一个字符附加到模式中，然后删除第一个字符以具有与 lstm 的期望相匹配的输入长度。然后将其带到一个 numpy 数组 (x = np.reshape(...)) 并使用生成的输出从模型中进行预测。因此，要回答您的第一个问题，您需要再次输入输出。
对于第二个问题，10 对应于您在一个层中拥有的 lstm 单元的数量。如果您不使用“return_sequences=True”，则它对应于该层的输出大小。
【讨论】：
让我们把它分解成碎片，然后用图形看
LSTM(10, input_shape=(3,1)))：定义一个序列长度为 3 的 LSTM，即 LSTM 将展开 3 个时间步长。在每个时间步，LSTM 将采用大小为 1 的输入。输出（以及隐藏状态和所有其他 LSTM 门的大小）为 10（向量或大小为 10）
您不必手动展开（将当前隐藏状态传递到下一个状态），它由 keras/tensorflow LSTM 层负责。您所要做的就是以 (batch_size X time_steps X input_size) 格式传入数据。
Dense(1, activation='linear')：这是一个具有线性激活的密集层，将前一层的输出作为输入（即 LSTM 的输出，它将是最后一次展开的大小为 10 的向量）。它将返回一个大小为 1 的向量。
同样可以使用model.summary()进行检查
【讨论】：
你的第一个问题：
您是否必须提供先前的预测以及输入和单元状态才能使用 LSTM 预测下一个结果？
不，您不必这样做。据我了解，它存储在 LSTM 单元中，这就是 LSTM 使用这么多 RAM 的原因
如果您的数据形状如下：
(100,1000)
如果将其插入 fit 函数，每个 epoch 将在 100 个列表上运行。当 LSTM 移动到下一个列表时，它会在刷新之前记住 1000 个数据图。
第二个：
另外，model.add(LSTM(10, input_shape(1,1))中的10代表什么？
是输入后第一层的形状，所以你的模型目前的形状是：
1,1
10
1
希望对你有帮助:)
【讨论】：