Keras 如何正确设置LSTM图层的输入形状？

我有一个如下形状的输入数据：5395，69，1

我的输入形状应为：

69,1或

1,69

在LSTM层中有69个神经元，我得到第一个输入的19'596个参数进行训练，第二个 38'364个参数，它们不是分别作为输入1和69个值的get结果吗？我的问题是，我应该输入1，因为我有1个功能，还是69，因为我有69个时间步，以及为什么？

LSTM层的输入具有num_时间步、num_功能的形状，因此：

如果每个输入样本有69个时间步，其中每个时间步由1个特征值组成，则输入形状将为69，1

如果每个输入样本是69个特征值的单个时间步，那么使用RNN层可能毫无意义，因为基本上输入不是序列。相反，最好将输入样本展平，即重塑1、69到69，然后使用其他连接架构/层，例如密集

---

作为旁注，我可能错了，但我有一种感觉，你在混合输入时间步的数量和LSTM层的单位/神经元的数量。具体来说，我指的是你的这句话：LSTM层有69个神经元。。。。这两个数字彼此无关，也不一定是同一个数字。LSTM层中单位/神经元的数量决定了该层的表征能力，应根据实验/经验进行相应设置。如果您感兴趣，请进一步解释这一点。

解释得很好。由于您的旁注，我将LSTM层的神经元数量设置为时间步长，因为我正在处理一个简单的示例，在该示例中，我这样做是为了更快地进行实验，以明确这方面需要更多的工作。现在由于您在链接中的进一步评论，当单元数量为3时，这基本上意味着每个输入时间步仅提取3个特征，即每个输入时间步将由3个特征表示，并且这3个特征将被馈送到下一层。这是否意味着序列中的每个时间步将有3个特征，或者每个序列将有3个特征features@DavidDiaz在LSTM层中有3个单元，每个时间步将由该LSTM层表示为3值向量；然而您可以决定使用所有时间步的表示法，即通过将return_sequences=True参数传递给LSTM层，或者仅使用最后一个时间步表示法，即return_sequences=False，这是默认情况。如果我使用LSTM和密集层作为传递给LSTM return_sequences=T的结构，我应该使用更平坦的层吗？为什么呢？@davidiaz这取决于你想要实现什么，即应用和问题表述。例如，如果您希望为每个时间步预测某些内容，而不仅仅是对整个序列的单个预测，那么使用return_sequences=True和稠密层是有意义的。正如我所说的，根据场景的不同，模型的架构可能会有所不同。