我想知道LSTM在Keras是如何工作的。例如，在本教程中，与其他许多教程一样，您可以找到如下内容：
model.add(LSTM(4, input_shape=(1, look_back)))
“4”是什么意思。这是层中神经元的数量。我所说的神经元，是指每一个实例都有一个输出的东西？
事实上，我发现这是一次精彩的讨论，但并没有被参考文献中提到的解释所说服。
在该方案中，可以看到图中所示的num_单元，我认为我说的每个单元都是一个非常原子的LSTM单元（即4个门）并没有错。但是，这些单元是如何连接的？如果我是对的（但不确定），x_（t-1）的大小是nb_特征，因此每个特征都是一个单位的输入，num_单位必须等于nb_特征对吗？
现在，让我们谈谈Keras。我已经读了这篇文章和公认的答案，并得到麻烦。事实上，答案是：
基本上，形状类似（批次大小、时间跨度、输入尺寸），其中input\u dim可以不同于单元
在那种情况下？我对以前的参考资料有困难。。。
此外，它说，
Keras中的LSTM仅定义一个LSTM区块，其单元为单位长度。
好的，但如何定义完整的LSTM层？是不是input\u-shape隐式创建了与时间步数一样多的块（根据我的说法，这是我的代码中input\u-shape参数的第一个参数）？
谢谢你点亮我
编辑：对于有状态的LSTM模型，是否也可以清楚地详细说明如何重塑数据，例如大小（n_样本，n_特征）？如何处理时间步长和批量大小？
首先，LSTM中的单元不是time_steps的数量。
每个LSTM单元（在给定的时间步长出现）接受输入x，并形成一个隐藏状态向量a，该隐藏单位向量的长度就是LSTM（Keras）中的单位。
您应该记住，代码只创建了一个RNN单元
keras.layers.LSTM(units, activation='tanh', …… )
和RNN操作由类本身按Tx次数重复。
我用一个非常简单的代码链接了这个来帮助你更好地理解它。
你可以（有点）把它想象成完全连接的层。单位是神经元。
输出的维度是神经元的数量，就像大多数已知的层类型一样。
不同之处在于，在LSTM中，这些神经元不会完全相互独立，它们会由于隐藏在隐蔽处的数学运算而相互通信。
在进一步讨论之前，可能有兴趣了解一下关于LSTM、其输入/输出以及stative=true/false的用法的完整解释：了解Keras LSTM。请注意，您的输入形状应该是input\u shape=（look\u back，1）。输入形状为（时间步长、特征）。
其中input\u shape=（批量大小，任意步骤，3）
每个LSTM层将不断重复使用相同的单元/神经元，直到处理输入中的所有任意时间步。
（批次，arbitrary_steps，单位）ifreturn_sequences=True.（批次，单位）ifreturn_sequences=False.确切地说，将有两组单元，一组处理原始输入，另一组处理来自最后一步的已处理输入。由于内部结构，每个组将有一个比单位数大4倍的参数（这个4与图像无关，它是固定的）。
流量：
单位数是LSTM内部向量状态的大小（长度），h和c。也就是说，无论输入的形状如何，它都会被i、f和o门的各种内核放大（通过密集变换）。链接文章中详细介绍了如何将生成的潜在特征转化为h和c。在您的示例中，数据的输入形状
(batch_size, timesteps, input_dim)
将转化为
(batch_size, timesteps, 4)
如果return\u sequences为true，否则只会执行最后一个h，使其成为（批量大小，4）。我建议使用更高的潜在维度，对于大多数问题可能是128或256。
